该研究提出了一种原始框架，用于在网格流形上对 3D 纹理进行无监督分割，通过相互变换的系统将网格表面划分为纹理区域和非纹理区域，使用几何图像表示对网格面片进行标记，并在三个公开数据集上进行大量实验证明该框架优于标准和 SOTA 无监督技术，并且与有监督方法具有合理的竞争力。

Nov, 2023

利用 TexDreamer 模型，我们通过有效的纹理自适应微调策略将大型文本到图像模型转化成语义化 UV 结构，在保留其原始泛化能力的同时，能够在数秒内生成高保真度的 3D 人体纹理。此外，我们还介绍了包含 50k 高保真度的纹理及文本描述的 ATLAS 高分辨率 3D 人体纹理数据集。

Mar, 2024

Mesh2Tex 使用一种混合网格神经场纹理表示法，从未相关的三维物体几何和照片逼真的 RGB 图像的集合中学习出真实的物体纹理流形，以生成适用于下游应用和 3D 渲染的纹理对象，并可以在具有挑战性的真实世界场景下有效地生成逼真的物体纹理。

Apr, 2023

提出了名为 RoomTex 的粗糙到精细的三维场景纹理框架，用于生成高保真度和样式一致的纹理，以应对复合场景网格的纹理问题。

Jun, 2024

通过引用图像和文本描述，我们提出了一种名为 Text2Scene 的方法，可以自动创建由多个物体组成的虚拟场景的逼真纹理，这种方法在房间的标记三维几何体上增加了详细纹理，使生成的颜色尊重经常由类似材料组成的分层结构或语义部分。

Aug, 2023

在这篇论文中，我们提出了一种名为 TSAR-MVS 的新方法，通过过滤、细化和分割来有效解决 3D 重建中纹理缺失区域的挑战。该方法首先采用联合假设过滤技术来消除深度估计错误，然后通过迭代相关性细化和纹理感知分割方法来提高准确性和在纹理缺失区域保留细节的能力。实验证明，与大多数非学习方法相比，我们的方法在各种数据集上都显著优于其他方法，并且能够在纹理缺失区域中保持鲁棒性。

Aug, 2023

应用图像处理技术创建了由边缘特征、特征组合和增强的 RGB 图像构成的 15 个数据集，在这些数据集上训练的四个分类器中，以 RGB 图像和三种边缘特征的组合获得的数据集表现最佳，其中 HED 边缘的性能相对于 Canny 或 Prewitt 等其他边缘检测器更好。

Mar, 2024

本文提出了一种名为 LocTex 的计算机视觉方法，它利用了低成本的本地化文本标注和鼠标轨迹，通过对图像和标题的对比预训练和监督跨模态关注图，从而提供粗略的本地化信号，从而减少标注数据的数量。它学习到的视觉特征可以捕捉自由形式的标题的丰富语义和鼠标轨迹的准确本地化，可以转移到各种下游视觉任务中，并且比 ImageNet 的监督预训练方法可以将预训练数据集的大小缩小 10 倍或目标数据集的大小缩小 2 倍，同时在 COCO 实例分割上实现可比较甚至更高的性能。在拥有相同数量的注释的情况下，LocTex 在 PASCAL VOC 图像分类任务上比以前最先进的 “视觉 + 语言” 预训练方法提高了约 4% 的准确性。

Aug, 2021

SceneTex 是一种使用基于深度到图像扩散先验的方法，在室内场景中有效地生成高质量且样式一致的纹理。它通过在 RGB 空间中将纹理合成任务形式化为一个优化问题，正确反映了样式和几何一致性。SceneTex 通过多分辨率纹理场隐式编码网格外观，并通过基于分数蒸馏的目标函数在各自的 RGB 渲染中优化目标纹理。为了进一步确保视图之间的样式一致性，我们引入了交叉注意力解码器来通过交叉关注每个实例中的预采样参考位置来预测 RGB 值。SceneTex 在 3D-FRONT 场景中实现了各种准确的纹理合成，相比之前的纹理生成方法在视觉质量和快速保真度上有显着改进。

Nov, 2023

本文介绍了通过神经纹理学习从合成数据和少量未标记真实图像中估算 6D 物体姿势的方法，并提出了一种新的学习方案以消除以前工作的缺点。

Dec, 2022