本文研究了纹理合成的两大方法，即基于统计学特征和重组补丁方法，并探索了混合方法以及卷积神经网络的应用，但在处理多尺度的真实纹理图像时面临挑战。

Jul, 2017

本文介绍了一种基于生成对抗网络的例子合成方法，用于处理包括空间非同变、不均质等非稳态纹理，实现了大尺度结构的捕捉，其简单的概念性方法极有效，成为解决有挑战性的纹理的无其他现有方法可处理。

May, 2018

本文提出了一种利用神经网络实现纹理插值的方法，通过对重建任务和生成任务同时训练网络，将样例纹理投影到潜空间中进行线性插值，并重投影到图像域中，从而实现直观的控制和逼真的效果；研究显示该方法优于其他方法，并给出了纹理笔刷、纹理溶解和动物杂交等多个应用。

Jan, 2019

提出了一种基于转置卷积操作的新方法，通过对输入纹理的整个编码特征图作为转置卷积滤波器，以及捕捉自相关信息的特征相似性图作为转置卷积输入，从而在几乎实时的单次前向传递中一次性合成未见过的纹理。

Jul, 2020

本研究提出了一种自编码器体系结构，可以用于多纹理合成。该方法依赖于同时考虑二阶神经统计和自适应周期性内容的紧凑编码器和生成器，将图像嵌入一个紧凑和几何一致的潜空间，在这个空间内实现纹理表示和其空间组织的解耦。实验结果表明，该模型在视觉质量和各种纹理相关指标方面优于最先进的前馈方法。

Feb, 2023

本文提出了一种新型任务：非平稳多纹理合成，通过使用多尺度生成器以及分类特定的训练策略，可以在一个模型中合成多个非平稳纹理，实现纹理扩展和全局结构一致性，并获得更出色的性能和时间效率。

May, 2023

我们提出了一种新的框架来纠正自然图像中降解纹理样本中的遮挡和扭曲问题，该框架通过从降级样本中合成整体纹理，扩展了基于样本的纹理合成技术的适用性。框架利用具有遮挡感知的潜变换器的条件潜扩散模型，既能够有效地编码部分观测样本中的纹理特征以完成潜扩散模型的生成过程，又能够明确地捕捉到具有大范围遮挡的样本中的长程依赖关系。实验结果表明，我们的框架在定量和定性方面显著优于现有方法。此外，我们进行了全面的消融研究，以验证我们建议的框架的不同组成部分。结果得到了感知用户研究的证实，并突显了我们提出方法的高效性。

Sep, 2023

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

从文本提示生成任意大小的纹理图像的新方法，通过精调扩散模型实现单一GPU上任意分辨率的输出纹理图像，并展示了生成纹理在3D渲染和纹理转换中的两个应用。

May, 2024

本文针对现有文本到纹理生成方法中的视角不一致和纹理与网格不对齐等问题，提出了一种强健的文本到纹理生成方法。该方法利用先进的2D扩散模型，结合对称视图合成策略和区域提示，显著提升了生成纹理的一致性和无缝性，实验证明其在性能上优于现有的最先进方法。

Sep, 2024