介绍一种新颖的方法用于合成给定 3D 对象的纹理，通过预训练的文本到图像扩散模型，提出了一种同步多视点扩散方法，早期生成的纹理内容达成一致，确保纹理的一致性。

Nov, 2023

TexFusion（纹理扩散）是一种新的方法，利用大规模的文本引导图像扩散模型，对给定的三维几何图形进行纹理合成。

Oct, 2023

本文介绍了一种使用基于生成对抗网络（GANs）的逐片段范例生成无限分辨率纹理图像的新方法。该方法通过在一个纹理图像上训练 GAN 模型，生成相对较小但局部相关且可无缝拼接成更大图像的纹理片段，并具有可扩展性、一致性和多样性。实验结果表明，相比于现有方法，该方法具有更好的可扩展性和视觉一致性。

Sep, 2023

现有大规模扩散模型受限于生成 1K 分辨率图像，本文提出基于渐进方法的创新研究，在不增加额外训练成本的情况下，利用低分辨率图像辅助生成高分辨率图像，实现了对生成模型超越原有能力的探索和验证。

Jun, 2024

通过使用一种新颖的方法，我们对给定的带有 UV 参数化的 3D 网格生成纹理，并使用单一的深度对图像扩散网络在 3D 表面上呈现一致的纹理，通过统一多个 2D 图像的扩散路径并通过 MultiDiffusion 技术将其提升为 3D。我们使用评估指标 CLIP-score 和 Frechet Inception Distance (FID) 来评估渲染质量，并展示了相对于之前的研究的改进。

Dec, 2023

本文采用一种新方法，通过给定文本提示和 3D 网格来生成 3D 模型的纹理。该方法考虑了额外的深度信息，利用深度条件稳定扩散的评分蒸馏采样过程生成纹理。我们在开源数据集 Objaverse 上运行了模型，并进行了用户研究，与各种 3D 纹理方法的结果进行了比较。我们证明了我们的模型可以生成更令人满意的结果，并为同一对象产生各种艺术风格。此外，在生成可比质量的纹理时，我们取得了更快的时间。我们还进行了彻底的消融研究，研究了不同因素对生成质量的影响，包括采样步骤、引导尺度、负提示、数据增强、高度范围和替代 SDS 方法。

Nov, 2023

本文介绍了 DiffInfinite，一种分层扩散模型，可以生成任意大小的组织学图像，同时保留远程相关结构信息。论文提出了一种高保真生成扩散过程的方法，并弱化了组织病理学成像实践中独特的挑战：大规模信息、昂贵的手动注释和保护数据处理。

Jun, 2023

GenesisTex 是一种从文本描述中合成 3D 几何纹理的新方法，通过纹理空间采样来适应预训练图像扩散模型，通过全局一致性和局部一致性实现多个视点之间的纹理生成，并通过基于参考的修复和图像转换进一步优化纹理。实验证明，我们的方法在数量和质量上优于基准方法。

Mar, 2024

通过 prompt 学习，我们提出了一种学习扩散模型适当文本描述的框架，通过利用预训练扩散模型导出的质量指导和语义指导，我们的方法可以有效地学习提示，从而提高输入文本和生成图像之间的匹配。通过广泛的实验和分析，验证了所提方法的有效性。

Jan, 2024

本研究使用 fine-tuned 的 diffusion model 结合 AI 模型通过文本指导来生成纺织花样，并且在视觉和数值上与基准模型进行了比较，证明了该模型在纺织花样生成方面具有更好的质量和效率，并有望在纺织行业中简化设计过程。

Apr, 2023