基于随机纹理滤波的遮挡后滤波
本文介绍了一种新的大规模、公共的室内场景阴影注释数据集，并用该数据集训练了一种卷积神经网络，以预测图像中每个像素的阴影信息，并在内在图像的应用中展示了我们的数据和网络的价值。
May, 2017
通过引入Deferred Neural Rendering和Neural Textures，本文提出一种新的渲染模型，可以快速准确地合成出高质量的视觉效果，即使输入的3D内容不完整嘈杂，同时可以在多个应用领域内进行使用，例如在新颖的视角合成，场景编辑和面部复制等方面。
Apr, 2019
本文研究了在渲染图像时，基于光照计算前滤波纹理而不是传统的基于BSDF计算前滤波会提高渲染效果，使用随机采样的纹理滤波可以实现高质量的纹理滤波，为实时渲染提供了更高效的方法。
May, 2023
本论文基于高斯金字塔进行了图像纹理滤波，通过逐步上采样低分辨率的高斯金字塔层级来平滑纹理，保留主要图像结构。该方法在各种应用中表现出很好的效果，包括细节增强、图像抽象、HDR调节、反半色调、LDR图像增强。
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
基于结构引导的扩散模型在图像修复中通过添加噪音来从前向过程中对图像纹理进行修复，并通过反向去噪过程使用与图像纹理相同的未遮挡区域恢复已遮挡区域，解决了现有技术中遮挡和未遮挡区域之间的语义差异问题。
Mar, 2024
本研究针对纹理领域缺乏大规模多样数据的问题，提出了一种新方法和数据集，用于生成高质量、多样的纹理图像。通过开发输入提示、调整生成模型以及严格筛选，最终创建了一个包含362,880幅纹理图像的Prompted Textures Dataset (PTD)。研究发现，纹理图像在安全过滤过程中容易被错误标记，揭示了当前模型的潜在偏见。
Sep, 2024