该研究提出了一种基于条件对抗损失和面向补丁的条件鉴别器的方法，用于不准确的 RGB-D 重建图像，以生成逼真的彩色贴图。

Mar, 2020

本文提出了一种生成不引人注目的材质的系统，能够迷惑物体跟踪系统，比如通过使用各种优化策略生成对抗性材质，进而在物理世界中对机器人相机进行视觉混淆，实现物体规避目的。同时，作者比较了不同的条件变量，包括视点，光照以及外观，以寻找实用的高性能攻击设置。

Apr, 2019

提出了 Adversarial Texture 技术，应用于制作物理世界中可以欺骗人物探测器的衣着。使用 Toroidal-Cropping-based Expandable Generative Attack（TC-EGA）方法进行生成。

Mar, 2022

该研究提出了一种高分辨率、高保真度的纹理恢复技术，通过使用粗糙纹理作为初始输入，增强合成纹理与初始纹理之间的一致性，从而解决用户简化操作引起的混叠和模糊问题，并引入了基于自我监督方案的背景噪声平滑技术来解决当前高分辨率纹理合成方案中的噪声问题。该方法促进了高分辨率纹理合成，为高清晰度和高细节纹理合成技术铺平了道路。实验表明，在高分辨率条件下，我们的方案在高保真度纹理恢复方面的表现优于目前已知方案。

Mar, 2024

本文旨在开发一种更可靠的技术，能够对商业系统进行端到端的对抗性鲁棒性评估，其中采用拟人面部上的精细拓扑的对抗性纹理 3D 网格可欺骗黑盒识别模型并回避防御机制，详尽的数码和物理实验证明了该方法的有效性，包括三种识别 API、四种反欺诈 API、两种流行的手机和两种自动门禁系统。

Mar, 2023

本论文研究了从 RGB 视频中重建三维物体网格的方法，结合多视角几何和数据驱动方法来优化物体网格以适应多视角光度一致性，并通过形状先验来约束网格变形。作者采用逐片图像对齐的形式，通过光度误差更新形状参数，无需深度或掩膜信息。此外，作者还展示了如何通过虚拟视点的光栅化来避免零光度梯度导致的退化问题，并展示了采用光度网格优化的方法从合成和真实视频中获得的三维物体网格重建结果，相比于传统的网格生成网络或表面重建方法，避免了繁琐的手动后处理。

Mar, 2019

本文提出了一种利用 3D 建模技术生成的伪装纹理，来制作能够有效规避多角度人体检测器的伪装服装，实验结果表明这类服装具有较高的攻击成功率。

Jul, 2023

机器学习在物体检测和机器抓取的 6D 姿态估计方面取得了巨大进展，然而，由于视觉线索较少和卷积神经网络对纹理的偏好，无纹理和金属物体仍然带来了显著挑战。为了解决这个问题，我们提出了一种注重学习 CAD 模型并强调物体形状特征的无纹理方法。通过在训练数据渲染过程中对纹理进行随机化处理，以使焦点集中在学习物体形状特征上，消除了在生成训练数据时对真实物体实例或最终外观的需求。我们使用了专门为工业机器人设置并特色为无纹理和金属物体的 TLESS 和 ITODD 数据集进行评估。无纹理性还增强了对图像扰动（如成像噪声、运动模糊和亮度变化）的稳健性，这在机器人应用中很常见。代码和数据集公开在 github.com/hoenigpeter/randomized_texturing。

Feb, 2024

本文提出了一种算法，用于从野外视频中重建变形对象实例的时间一致 3D 网格，不需要每个视频帧的 3D 网格注释，2D 关键点或相机姿态，而是将基于视频的重建构建为适用于任何传入测试视频的自监督在线适应问题。

Dec, 2020

基于全局参数化，本文提出了一种优化纹理空间以及生成紧凑纹理映射的方法，该方法在计算上具有鲁棒性和高效性，并实验证明了该方法的有效性以及在存储和渲染效率方面的潜力。

Jun, 2024