概率生成模型评估标准的独立性存在着许多亟需关注的性质，本文重点评估了影像模型，阐明对于高维数据当前最常用的三个标准，即平均对数似然、Parzen窗口估计和样本视觉保真度，这些几乎是相互独立的；因此，好的表现不一定意味着好的其他标准的表现，在评估生成模型的性能时需要针对其预期应用直接进行评估，并且通常应避免使用Parzen窗口方法。

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

研究表明，随机浅层卷积神经网络的特征空间可以作为自然纹理的模型，可以用于纹理合成算法，并且相较于深层CNNs模型，浅层CNNs模型具有相当的性能。

May, 2016

本文提出了一种实例归一化模块代替批量归一化的生成神经网络，以及一种新的学习公式，可以从Julesz纹理集中无偏地采样，这两个改进使得图像风格化过程更接近于优化生成，同时保留了速度优势。

Jan, 2017

本文介绍了一种通过草图、颜色和纹理生成深层次图像的方法。通过引入纹理控制来实现用户对输出纹理的控制，我们的生成网络可以学习到如何根据用户的纹理想法生成与之一致的对象，并且在实验中得到了验证。

Jun, 2017

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

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

通过利用图像中富质地和贫质地纹理区域之间的像素间关联差异特征，我们提出了一种能够识别广泛范围生成模型生成的假图像的新型AI生成图像检测器，并构建了一个综合的AI生成图像检测基准来评估现有基线与我们的方法的有效性。

Nov, 2023

基于文本到图像模型，研究生成具有全局一致性和高分辨率 UV 纹理的 Meta 3D TextureGen 方法，实现了高质量、高效率的任意复杂度三维纹理生成。

Jul, 2024