介绍了一种基于卷积神经网络特征空间的自然纹理新模型，可生成具有高感知质量的样本，可作为神经科学刺激或深度卷积神经网络学习的新工具。

May, 2015

本文提出了一种基于可描述纹理数据集的词汇表，用于描述常见的纹理模式，以及一些对应的图像识别技术，包括物体材质和纹理属性的实时识别，并通过将深度模型卷积层用作滤波器进行优化以获得卓越的性能。

Jul, 2015

本文通过对最近的CNN-based描述符进行系统评估和比较，梳理深度卷积神经网络在纹理表示和分类变量不变性方面的性质, 并提出了一个可视化的方法来理解这个性质。最后，作者介绍了一个关于纹理分析和合成的参数化模型，可以用于基于属性的图像操作以及图像的纹理化处理。

Nov, 2015

本文提出一种利用深度学习的方式，通过在训练阶段来移动计算负担，使用单个纹理样本训练紧凑的前馈卷积网络，可以生成任意大小的同一纹理的多个样本，并将艺术风格从给定图像传输到任何其他图像中，生成的网络轻巧，并且可以比Gatys等人的方法快数百倍。

Mar, 2016

这篇文章通过对卷积神经网络（CNNs）和人类观察者在具有纹理-形状线索冲突的图像上进行实验，揭示了CNN在识别物体时更倾向于识别纹理而非形状的基本不同分类策略，同时表明将CNN在Stylized-ImageNet数据集上训练可以学习到形状为基础的表示，可以更好地拟合人类行为表现，同时具有提高物体检测性能和对各种图像扭曲的鲁棒性的优点。

Nov, 2018

通过数据增广和改变训练集数据的方式，可以减弱CNN网络中很常见的纹理偏见，并且提高非常规测试集上的表现。

Nov, 2019

本文研究了纹理的视觉属性及对不同模型的影响，发现现有的生成和判别模型不能很好地捕捉纹理的组成属性。我们以证据支持了此观点，并提供了可解释性的模型来生成基于语言的解释，以加深对纹理分类的理解。我们通过在Caltech-UCSD鸟类数据集上进行精细分类，证明了该数据集上所学习到的纹理属性相比专家设计的属性能够实现显著改进。

Aug, 2020

本研究通过设计一系列实验，发现卷积神经网络中大部分的形状信息在训练的前几个阶段就已经学习，这些信息主要由CNN的最后几层进行编码。此外，本文还表明形状的编码并不意味着编码的是局部像素语义信息。

Jan, 2021

本研究探讨了CLIP在自然语言描述的自然图像中对纹理的理解能力。我们分析了CLIP在各种纹理和材质分类数据集上的零样本学习表现，分析了它对DTDD数据集上红点或黄色条纹等纹理组成特性的表达能力，以及对通过描述鸟身体部位的颜色和纹理来进行细粒度分类的帮助。

Mar, 2022

本研究探讨了深度神经网络在语义分割任务中从形状、纹理和颜色等图像线索中学习的能力和相互影响。我们提出了一种新方法，通过将数据集分解为仅包含单一线索或选择混合线索的多个子集，揭示结合形状和颜色而不依赖纹理的组合在学习成功上表现优异。该发现对理解深度学习模型的学习机制具有重要意义。

Oct, 2024