Reference-based Magnetic Resonance Image Reconstruction Using Texture Transformer
Johns Hopkins University（约翰斯·霍普金斯大学）
近年来，基于深度学习（DL）的磁共振（MR）图像重建方法已显示出优越的性能。然而，这些方法要么仅利用欠采样数据，要么需要成对的全采样辅助模态来执行多模态重建。因此，现有的方法忽略了探索注意力机制，可以在一个单一的模态内将纹理从参考全采样数据转换为欠采样数据，这限制了这些方法在具有挑战性的情况下。在本文中，我们提出了一种新的纹理Transformer模块（TTM）的加速MRI重建，在其中，我们制定的欠采样数据和参考数据的查询和键在一个Transformer。TTM有助于跨欠采样数据和参考数据进行联合特征学习，因此可以通过注意力发现特征对应关系，并且可以在重建期间利用准确的纹理特征。值得注意的是，所提出的TTM可以堆叠在先前的MRI重建方法上，以进一步提高其性能。大量的实验表明，TTM可以显着提高几个流行的基于DL的MRI重建方法的性能。
2021-12-16 cs.CV
Texture Classification Network Integrating Adaptive Wavelet Transform
Xinqiao Hospital（新桥医院）
针对Graves病超声诊断中CNN纹理特征捕捉不足的问题，提出在ResNet18中加入基于Lifting Scheme的并行可学习小波分支，同时建模空间域与频率域纹理，并在超声及自然纹理数据集上验证了性能提升。
2024-04-08 cs.CV
Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform
CUHK - SenseTime Joint Lab（香港中文大学-商汤联合实验室）；The Chinese University of Hong Kong（香港中文大学）；SenseTime Research（商汤科技研究院）
尽管卷积神经网络（CNN）最近已经证明了高质量的重建单图像超分辨率（SR），恢复自然和逼真的纹理仍然是一个具有挑战性的问题。在本文中，我们表明，它是可能的，以恢复纹理忠实于语义类。特别是，我们只需要在语义分割概率图的条件下调整单个网络中几个中间层的特征。这是通过一个新的空间特征变换（SFT）层，生成仿射变换参数的空间方式的功能调制。SFT层可以使用相同的损失函数与SR网络一起进行端到端训练。在测试过程中，它接受任意大小的输入图像，并生成一个高分辨率的图像，只有一个单一的前向传递条件的分类先验。我们的最终结果表明，与最先进的SRGAN和EnhanceNet相比，配备SFT的SR网络可以生成更逼真和视觉上令人愉悦的纹理。
2018-04-09 cs.CV
Binary Distance Transform to Improve Feature Extraction
University of São Paulo（圣保罗大学）；ENSTA-ParisTech（巴黎高等先进技术学校）；Université de Paris-Saclay（巴黎-萨克雷大学）
为了识别纹理，多年来已经开发了许多方法。然而，纹理数据集可能很难被分类，由于文物，如各种规模，照明和噪声。本文提出了在原始数据集上应用二进制距离变换来增加纹理表示的信息，从而提高识别率。纹理图像通常是灰度图像，在距离变换之前进行二值化，并将得到的图像之一与原始纹理相结合，以提高信息量。四个数据集被用来评估我们的方法。例如，对于Outex数据集，该建议优于所有速率，与传统方法相比，改进高达10%，其中描述符应用于原始数据集，显示了这种方法的重要性。
2016-12-19 cs.CV
Texture variation adaptive image denoising with nonlocal PCA
Shanghai Jiao Tong University（上海交通大学）；Nanchang University（南昌大学）
图像纹理作为一种局部变化，为人类视觉系统提供了重要的信息。许多图像纹理，特别是小尺度或随机纹理，具有丰富的高频变化，难以保存。现有的去噪算法通常采用非局部方法，包括图像块分组和分组去噪滤波。为了实现更好的图像去噪，同时保持纹理的变化，我们首先自适应分组高相关图像补丁具有相同种类的纹理元素（纹素）通过自适应聚类方法。这种自适应聚类方法应用在过聚类和迭代合并方法中，其中其噪声鲁棒性通过与噪声水平和聚类大小相关的自定义合并阈值来提高。对于每个簇的纹理保持去噪，考虑到纹理的变化不仅包含在PCA变换系数的维间能量变化中，还包含在维内变化中，我们进一步提出了一种PCA变换域变化自适应滤波方法来保持纹理的局部变化.对自然图像的实验结果表明，本文提出的变换域变分自适应滤波方法优于传统的PCA硬阈值或软阈值滤波方法。整体而言，该方法在定量和视觉上都具有较好的纹理保持性能，特别是对于随机纹理，并在相机原始图像去噪中得到了进一步验证。
2018-10-26 cs.CV
The Mehler-Fock Transform and some Applications in Texture Analysis and Color Processing
Linköping University（林雪平大学）
许多随机过程定义在特殊的几何对象上，如球体和圆锥体。我们描述了如何从调和分析，即傅立叶分析组的工具，可以用来调查概率密度函数（PDF）的群体和齐次空间。我们考虑了洛伦兹群SU（1，1）和单位圆盘及其双曲几何的特殊情况，但这个过程可以推广到更广泛的李群。我们主要集中在Mehler-Fock变换，这是径向部分的傅里叶变换的磁盘。这种变换的一些特征是与群卷积的关系、信号与变换空间之间的等距、与拉普拉斯-贝尔特拉米算子的关系以及与群表示理论的关系。我们将概述这些性质及其在信号处理中的应用。我们将从低层次视觉和彩色图像处理两个例子来说明理论。
2016-12-14 cs.CV
Disentangled Lifespan Face Synthesis
University of Surrey（萨里大学）；iFlyTek-Surrey Joint Research Centre on Artificial Intelligence（科大讯飞-萨里人工智能联合研究中心）；Leibniz University Hannover（汉诺威莱布尼茨大学）；University of Twente（屯特大学）
寿命人脸合成（LFS）模型的目标是生成一组照片逼真的人脸图像的一个人的整个生活，只有一个快照作为参考。给定目标年龄代码的生成的人脸图像被期望是年龄敏感的，反映了形状和纹理的生物合理的变换，同时保持身份。这是非常具有挑战性的，因为面部的形状和纹理特征经历独立的和高度非线性的变换。年龄最新的LFS模型基于生成对抗网络（GANs），其中年龄代码条件变换被应用于潜在的面部表示。他们从GANs的最新进展中受益匪浅。然而，没有明确地解开他们的潜在表示到纹理，形状和身份的因素，他们是从根本上限制在建模的非线性年龄相关的变换纹理和形状，同时保持身份。在这项工作中，提出了一种新的LFS模型来解开的关键人脸特征，包括形状，纹理和身份，使唯一的形状和纹理的年龄变换可以有效地建模。这是通过从编码器中分别提取形状、纹理和身份特征来实现的。关键是，两个变换模块，一个条件卷积的基础上，另一个通道的注意，分别为建模的非线性形状和纹理特征变换。这是为了适应他们相当不同的老化过程，并确保我们的合成图像既对年龄敏感又能保持身份。大量的实验表明，我们的LFS模型显然优于国家的最先进的替代品。代码和演示可以在我们的项目网站上找到：\url{https://senhe.github.io/projects/iccv_2021_lifespan_face}。
2021-08-13 cs.CV
Periodicity Extraction using Superposition of Distance Matching Function and One-dimensional Haar Wavelet Transform
New Horizon College of Engineering（新视野工程学院）；Government Engineering College（政府工程学院）；University of Mysore（迈索尔大学）
纹理的周期性是纹理的重要视觉特征之一，常被用作结构层次上纹理识别的一个度量。纹理的周期性知识在纹理合成、纹理压缩以及中楣和墙纸的设计中是非常重要的。本文提出了一种基于距离匹配函数（DMF）和小波分解叠加的周期性提取方法。所有的DMFs进行单级Haar小波分解，以获得近似和详细的系数。提取的系数有助于确定行和列方向的周期性。我们说明了实用性和有效性的纹理合成应用程序中所提出的方法。
2013-11-15 cs.CV
Multiscale Fractal Descriptors Applied to Texture Classification
Universidade de São Paulo（圣保罗大学）
本文提出了将多尺度变换与分形描述子相结合的方法用于灰度纹理图像的分类。我们在Bouligand-Minkowski分形描述符上应用空间尺度变换（导数+高斯滤波器），然后在滤波器响应上应用阈值，旨在衰减由该响应的最后部分引起的噪声影响。该方法进行了测试，在一个著名的数据集（Brodatz）的分类，并与其他经典的纹理描述技术进行比较。结果表明，所提出的方法的优点，实现了更高的成功率与减少的描述符。
2013-04-04 cs.CV
TEFormer: Texture-Aware and Edge-Guided Transformer for Semantic Segmentation of Urban Remote Sensing Images
School of Information Science and Technology, Beijing University of Technology（北京工业大学信息科学技术学院）
TEFormer通过纹理感知和边缘引导的变换器提升城市遥感图像语义分割的精度与鲁棒性。
2025-11-28 cs.CV
TFR: Texture Defect Detection with Fourier Transform using Normal Reconstructed Template of Simple Autoencoder
Kumoh National Institute of Technology（金乌国立工科大学）
本文提出TFR方法，将简单自编码器重建的正常模板与傅里叶变换频域分析相结合，用于纹理缺陷检测，并通过实验验证其有效性和准确性。
2023-07-10 cs.CV eess.IV
Texture Retrieval via the Scattering Transform
Technische Universität München（慕尼黑工业大学）
本文研究了基于内容的图像检索问题，特别是纹理检索。重点研究了纹理图像的特征提取和相似性度量。我们的方法采用了最近开发的方法，所谓的散射变换，纹理检索的特征提取的过程。它有一个独特的属性，提供了一个强大的表示，这是稳定的空间变形。最近的工作已经证明了它的纹理分类的能力，因此作为一个有前途的候选人的纹理检索问题。此外，我们采用了一个共同的方法来衡量的相似性的纹理比较子带直方图的滤波器组变换。为此，我们得出一个相似性度量的基础上流行的Bhattacharyya内核。尽管使用参数化的概率密度函数（例如广义高斯分布）来描述直方图很流行，但不幸的是，它不适用于描述大多数散射变换子带，这是由于对它们中的每一个执行复数模。在这项工作中，我们建议使用威布尔分布来模拟后代层的散射子带。我们的数值实验证明了所提出的方法的有效性，与几个国家的艺术。
2015-06-01 cs.CV cs.IR
Performance Evaluation of Different Techniques for texture Classification
VIT, Pune（浦那VIT）
纹理是用于表征给定物体或现象的表面的术语，并且是用于图像处理和模式识别的重要特征。我们的目的是比较各种纹理分析方法，并比较基于时间复杂度和分类精度的结果。该项目描述了纹理分类使用小波变换和共生矩阵。将样本纹理的特征与不同纹理的数据库进行比较。在小波变换中，我们使用Haar，Symlets和Daubechies小波。我们发现，thee Haar小波被证明是最有效的方法，在性能评估参数的上述。Haar小波和共生矩阵分类法的比较也有利于Haar。虽然后一种方法的时间要求很高，但除了图像旋转外，它的分类精度很好。
2012-10-29 cs.CV
Texture Image Synthesis Using Spatial GAN Based on Vision Transformers
Shiraz University（设拉子大学）
本文提出ViT-SGAN混合模型，将视觉Transformer与空间GAN融合，并通过在自注意力机制中引入纹理描述符来提升纹理合成质量，在多个指标上优于现有最先进模型。
2025-05-07 cs.AI cs.CV
Texture Object Segmentation Based on Affine Invariant Texture Detection
Beijing University of Posts and Telecommunications（北京邮电大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）
针对纹理丰富的图像分割问题，提出了一种基于仿射不变原理的纹理检测方法。考虑到纹理区域之间的相似性，首先对纹理区域进行仿射变换，得到大量的形状，然后利用KLT算法进行相似性验证。变换包括旋转、比例变换和透视变形，以应对各种情况。然后，我们提出了一种改进的LBP方法结合Canny边缘检测处理的边界在分割过程中。此外，该方法的人机交互，有助于分裂匹配的纹理区域从原始图像是用户友好的。
2017-12-23 cs.CV eess.IV
Reducing Texture Bias of Deep Neural Networks via Edge Enhancing Diffusion
University of Wuppertal（伍珀塔尔大学）；Technical University of Berlin（柏林工业大学）
研究CNNs在语义分割中的纹理偏置问题，提出利用边缘增强扩散（EED）预处理图像来抑制纹理并保留形状，实验证明该方法使CNNs对纹理完全无知且增强了对纹理重引入的韧性，同时分析了其对领域泛化和对抗鲁棒性的影响。
2024-07-22 cs.CV
Discrete Schroedinger Transform For Texture Recognition
提出了一种基于离散薛定谔变换的灰度纹理图像特征提取方法。这是一种非线性变换，其中图像被映射为波函数的初始概率分布，并且这种分布按照量子力学中的薛定谔方程随时间演化。这些特征由在不同时间测量的分布的统计矩提供。将所提出的方法应用于用于基准的三个纹理数据库的分类，并与文献中其他众所周知的纹理描述符（例如纹理元、局部二元模式、多重分形等）进行比较。所有这些都优于所提出的方法在正确分类的图像的百分比。该建议也适用于识别植物物种使用扫描图像的叶子，再次优于其他纹理方法。对受高斯噪声和"椒盐"噪声影响的图像进行了测试，也取得了Schroedinger描述子的最佳性能。
2016-12-08 cs.CV physics.data-an
SkinFormer: Learning Statistical Texture Representation with Transformer for Skin Lesion Segmentation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Shandong Computer Science Center（山东省计算中心）；Qilu University of Technology（齐鲁工业大学）；Shandong Fundamental Research Center for Computer Science（山东计算机科学基础研究中心）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对皮肤病变分割中纹理表示利用不足的问题，提出基于Transformer的SkinFormer网络，通过峰度引导算子与两类Transformer模块提取融合统计纹理，在ISIC 2018等数据集上取得优于SOTA的性能。
2024-09-13 cs.CV eess.IV
Delving Globally into Texture and Structure for Image Inpainting
Hefei University of Technology（合肥工业大学）；Lenovo Research（联想研究院）
图像修补已经取得了很大的进展，并产生了丰富的方法，其中关键的瓶颈是如何实现高频结构和低频纹理信息的语义化。为此，深度模型表现出强大的优势，以捕捉它们，但限制在局部空间区域。在本文中，我们深入研究全局的纹理和结构信息，很好地捕捉语义的图像修补。与现有技术中依赖于独立的局部块的方法不同，每个块的纹理信息是从整个图像中的所有其他块重建的，以匹配粗填充的信息，特别是掩模区域上的结构信息。与当前仅解码器的Transformer在像素级进行图像图像修补不同，我们的模型采用了与编码器和解码器配对的Transformer管道。一方面，编码器通过自注意模块捕获图像中所有块的纹理语义相关性。另一方面，在解码器中动态地建立用于掩蔽区域上的填充补丁的自适应补丁词汇表。在此基础上，锚定在已知区域上的结构-纹理匹配注意力模块通过概率扩散过程将这两个世界中最好的结合起来进行渐进式修复。该模型从纹理和结构信息的角度对图像修补技术进行了研究，与卷积神经网络（CNN）、注意力模型和Transformer模型等流行的图像修复技术进行了比较。通过大量的基准测试，验证了该方法的优越性.我们的代码可在https://github.com/htyjers/DGTS-Inpainting上获得。
2022-09-17 cs.CV
The Texture-Shape Dilemma: Boundary-Safe Synthetic Generation for 3D Medical Transformers
Peking University（北京大学）；Central South University（中南大学）；Deepwise Ltd.（深域科技）
本文提出一种物理启发式的空间解耦合成框架，解决3D医学变换器中纹理与形状之间的矛盾，提升模型对真实解剖边缘的识别能力。
2026-03-01 cs.CV
Reference-based Image Super-Resolution with Deformable Attention Transformer
ETH Zürich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
基于参考的图像超分辨率（RefSR）旨在利用辅助参考（Ref）图像来超分辨率低分辨率（LR）图像。最近，RefSR已经引起了极大的关注，因为它提供了一种替代的方式来超越单图像SR。然而，解决RefSR问题有两个关键的挑战：（i）当LR和Ref图像显著不同时，难以匹配LR和Ref图像之间的对应关系;（ii）如何从Ref图像转移相关纹理以补偿LR图像的细节是非常具有挑战性的。为了解决RefSR的这些问题，提出了一种多尺度的可变形注意力Transformer，即DATSR，每个可变形注意力包括纹理特征编码器（TFE）模块、基于参考的可变形注意力（RDA）模块和残余特征聚合（RFA）模块。具体地，TFE首先提取图像变换（例如，为了减少LR和Ref图像的亮度（亮度）不敏感特征，RDA然后可以利用多个相关纹理来补偿LR特征的更多信息，并且RFA最后聚合LR特征和相关纹理以获得视觉上更令人愉快的结果。大量的实验表明，我们的DATSR达到最先进的性能基准数据集定量和定性。
2022-08-04 cs.CV
Image Quality Assessment: Unifying Structure and Texture Similarity
City University of Hong Kong（香港城市大学）；Flatiron Institute of the Simons Foundation（西蒙斯基金会熨斗研究所）；New York University（纽约大学）
图像质量的客观测量通常通过将“退化”图像的像素与原始图像的像素进行比较来操作。相对于人类观察者，这些测量对纹理区域的重新定位过于敏感（例如，用另一片草地代替一片草地）。在这里，我们开发了第一个全参考图像质量模型，明确的公差纹理残留。使用卷积神经网络，我们构建了一个单射和可微函数，将图像转换为多尺度过完备表示。我们经验证明，在这种表示的特征图的空间平均值捕捉纹理外观，因为它们提供了一组足够的统计约束，合成各种各样的纹理图案。然后，我们描述了一种图像质量的方法，结合这些空间平均值的相关性（“纹理相似性”）与相关的特征图（“结构相似性”）。所提出的措施的参数进行联合优化，以匹配人类的评级的图像质量，同时最大限度地减少从相同的纹理图像裁剪的子图像之间的距离。实验表明，优化的方法解释人类的感知分数，无论是在传统的图像质量数据库，以及纹理数据库。该措施还提供了相关的任务，如纹理分类和检索的竞争力的表现。最后，我们表明，我们的方法是相对不敏感的几何变换（例如，平移和膨胀），而不使用任何专门的训练或数据增强。代码可在https://github.com/dingkeyan93/DISTS上获得。
2020-12-16 cs.CV
Video Transformer for Deepfake Detection with Incremental Learning
Deepfake的面部伪造在互联网上广泛传播，这引起了严重的社会问题。在本文中，我们提出了一种新的视频Transformer，用于检测深度伪造视频。为了更好地对齐输入的人脸图像，我们使用3D人脸重建方法从单个输入人脸图像生成UV纹理。对齐的人脸图像还可以提供UV纹理图像中无法感知的姿势，眨眼和嘴巴运动信息，因此我们使用人脸图像及其UV纹理图来提取图像特征。我们提出了一种增量学习策略，可以在少量数据上微调所提出的模型，并实现更好的deepfake检测性能。在各种公开的deepfake数据集上的综合实验表明，所提出的具有增量学习的视频Transformer模型在deepfake视频检测任务中实现了最先进的性能，并从序列数据中增强了特征学习。
2021-08-11 cs.CV
Fractal descriptors based on the probability dimension: a texture analysis and classification approach
São Carlos Institute of Physics, University of São Paulo (USP)（圣保罗大学圣卡洛斯物理研究所）
在这项工作中，我们提出了一种新的技术，获得描述符的灰度纹理图像。描述符是通过应用多尺度变换的概率（Voss）方法估计的图像的分形维数。描述符的有效性进行了验证，在分类任务中使用基准纹理数据集。所得到的结果表明，所提出的方法作为一种工具的纹理图像的描述和歧视的效率。
2014-12-25 cs.CV
Learning Texture Transformer Network for Light Field Super-Resolution
Georgia Institute of Technology（佐治亚理工学院）；Brandon University（布兰登大学）；GN Jabra A/S（GN捷波朗公司）
手持式光场相机由于固有的空间-角度折衷而遭受低空间分辨率。本文提出了一种利用纹理Transformer网络（TTSR）提高光场图像空间分辨率的方法。所提出的方法包括三个模块：第一个模块产生一个全聚焦高分辨率的透视图像，作为第二个模块，即TTSR，这反过来又产生一个高分辨率的光场的参考图像。最后一个模块通过施加光场先验来细化空间分辨率。结果表明，在双三次调整大小的光场图像上，约4dB至6dB的PSNR增益
2022-10-09 cs.CV eess.IV
Controllable Texture Tiling with Transformed RoPE-Enhanced Diffusion Models
City University of Hong Kong（香港城市大学）；Manycore Tech Inc.（Manycore科技公司）；Hong Kong University of Science and Technology（香港科学与技术大学）
提出基于扩散变换器的可控纹理平铺框架，通过坐标变换旋转位置编码实现精确平铺控制，并利用分离注意力掩码保持参考纹理结构，同时与场景光照几何无缝融合。
2026-06-23 cs.CV cs.GR
Fractal Descriptors of Texture Images Based on the Triangular Prism Dimension
提出了一种基于分形几何的纹理图像描述子及其在图像分析中的应用。该描述子是通过加权指数参数估计不同尺度下的三棱柱分形维数，然后使用Karhunen-Loève变换进行降维得到的。两个著名的纹理数据集，即Brodatz和Vistex，无论是分类和图像检索的效率进行了测试所提出的描述符。新的方法也测试有关的不变性的情况下，当纹理旋转或高斯噪声的影响。所得到的结果优于其他经典和国家的最先进的描述符在文献中，并证明了三角形描述符在这些任务中的权力，建议他们在实际应用中使用的图像分析的纹理特征的基础上。
2016-12-19 cs.CV
A Review on Image Texture Analysis Methods
Najafabad Branch, Islamic Azad University（伊斯兰阿扎德大学纳杰法巴德分校）
纹理分类是图像处理中的一个活跃的研究课题，在图像检索、检测系统、人脸识别、医学图像处理等领域有着重要的应用。目前，在灰度图像中提取纹理特征的方法有很多，如局部二值模式、灰度共生矩阵、统计特征、骨架、尺度不变特征变换等，纹理分析方法可以分为4类：统计方法、结构方法、基于滤波器的方法和基于模型的方法。在许多相关的研究中，作者试图联合提取颜色和纹理特征。在这方面，组合方法被认为是有效的图像分析描述符。在图像纹理分析中最重要的挑战是旋转敏感性，灰度变化，噪声敏感性，照明和亮度条件等，在本文中，我们回顾了最有效的和最先进的图像纹理分析方法。此外，一些纹理分类方法也幸存下来。
2018-03-13 cs.CV
3D Human Texture Estimation from a Single Image with Transformers
Nanyang Technological University（南洋理工大学）
我们提出了一个基于transformer的框架，从一个单一的图像三维人体纹理估计。所提出的Transformer能够有效地利用输入图像的全局信息，克服了现有方法仅基于卷积神经网络的局限性。此外，我们还提出了一个面具融合策略，结合基于RGB和基于纹理流的模型的优点。我们进一步引入了一个部分风格的损失，以帮助重建高保真的颜色，而不会引入不愉快的文物。大量的实验表明，所提出的方法对国家的最先进的三维人体纹理估计方法的有效性定量和定性。
2021-09-06 cs.AI cs.CV cs.GR
Fractal Descriptors Based on Fourier Spectrum Applied to Texture Analysis
Instituto de Física de São Carlos - Universidade de São Paulo（圣保罗大学圣卡洛斯物理研究所）
这项工作提出了一种新的技术的开发和研究用于纹理分析的分形描述符的生成。新的描述符是从多尺度变换应用到傅立叶技术的分形维数演算。图像的傅里叶变换的功率谱以对数-对数尺度相对于频率绘制，并且多尺度变换被应用于该曲线。得到的值作为图像的分形描述符。验证的建议是通过使用的描述符的纹理图像的数据集的分类，其真实的类是以前已知的。分类精度相比，其他分形描述符在文献中已知的。实验结果证实了该方法的有效性。
2012-01-22 cs.CV physics.data-an
A Comparative Survey of Vision Transformers for Feature Extraction in Texture Analysis
São Carlos Institute of Physics, University of São Paulo（圣保罗大学圣卡洛斯物理学院）；Institute of Mathematics and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学研究所）；Institute of Biosciences, Humanities and Exact Sciences, São Paulo State University（圣保罗州立大学生物科学、人文与精确科学研究所）；Ghent University（根特大学）
本文系统比较了21种预训练视觉Transformer在纹理特征提取上的表现，发现ViTs在鲁棒性、颜色/材料纹理和属性识别等任务中普遍优于CNNs和手工模型，并指出ViT-B with DINO、BeiTv2、Swin及EfficientFormer为有前景的模型。
2024-06-10 cs.CV cs.LG
Diffusion-based Holistic Texture Rectification and Synthesis
University of Tsukuba（筑波大学）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；Waseda University（早稻田大学）
针对自然图像纹理样本的遮挡与畸变，本文提出带遮挡感知潜在变换器的条件LDM框架，并通过几何变换与自由掩码生成训练数据，实现整体纹理校正与合成。
2023-09-26 cs.CV cs.GR
Séparation en composantes structures, textures et bruit d'une image, apport de l'utilisation des contourlettes
DGA-CEP/EORD（法国国防采办局CEP/EORD部门）
本文针对噪声图像分解问题，提出用轮廓波变换替代小波以减少伪影，定义轮廓波空间与范数，并给出迭代算法，在带噪纹理图像上验证。
2024-11-11 cs.CV eess.IV
Texture image retrieval using a classification and contourlet-based features
Université du Québec en Outaouais（魁北克大学乌塔韦校区）
针对纹理图像CBIR问题，提出基于RCT-Plus变换的图像表示与学习式分类检索框架，结合适配统计建模的相似度量分类排序，显著提升了检索率。
2024-03-10 cs.CV cs.LG
High-Fidelity Pluralistic Image Completion with Transformers
City University of Hong Kong（香港城市大学）；Microsoft Cloud + AI（微软云与人工智能部门）
由于卷积神经网络（CNN）强大的纹理建模能力，图像补全已经取得了巨大的进展。然而，由于一些固有的属性（例如，局部归纳先验、空间不变核），CNN在理解全局结构方面表现不佳，或者自然地支持多元完成。最近，Transformers显示其在建模的长期关系，并产生不同的结果，但其计算复杂度是输入长度的平方，从而阻碍了在处理高分辨率图像的应用。本文将两种方法的优点结合到多元图像的重建中：使用Transformer进行外观先验重建，使用CNN进行纹理补充。前一种Transformer算法恢复了多个相干结构和一些粗糙纹理，而后一种CNN算法在高分辨率掩模图像的引导下增强了粗糙先验的局部纹理细节。所提出的方法在三个方面大大优于最先进的方法：1）即使与确定性完成方法相比，图像保真度也有很大的性能提升; 2）更好的多样性和更高的保真度，用于多元完成; 3）在大型掩码和通用数据集上具有出色的泛化能力，如ImageNet。
2021-03-25 cs.CV cs.GR
Texture Analysis And Characterization Using Probability Fractal Descriptors
Instituto de Física de São Carlos (IFSC)（圣卡洛斯物理研究所（IFSC））；Universidade de São Paulo（圣保罗大学）
提出了一种基于分形维数估计的灰度图像纹理描述子。该方法使用概率（Voss）方法估计分形维数。描述符的计算应用多尺度变换的分形维数曲线的纹理图像。建议的纹理描述符方法进行评估，在一个众所周知的基准纹理数据集的分类任务。结果表明，该方法作为纹理图像分析和表征的工具具有很好的性能。
2012-05-13 cs.CV physics.data-an
Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform
École de Technologie Supérieure, Université du Québec（魁北克大学高等技术学院）
乳腺癌是一个主要影响女性人口的健康问题。早期发现增加了有效治疗的机会，改善了疾病的预后。在这方面，已经提出了计算工具来帮助专家解释乳房数字图像检查，提供用于检测和诊断肿瘤和癌细胞的特征。尽管如此，以高灵敏度检测肿瘤并降低假阳性率仍然具有挑战性。纹理描述符在医学图像分析中已经相当流行，特别是在组织病理学图像（HI）中，这是由于在这样的图像中发现的纹理和由于染色过程中的不规则性而导致的组织外观两者的可变性。这种变异性可能取决于染色方案的差异，例如固定、染色条件的不一致性以及实验室之间或同一实验室中的试剂。用于以判别方式量化HI信息的纹理特征提取具有挑战性，因为这种图像的固有属性的分布形成非确定性复杂系统。本文提出了一种方法，具有相当的成功率，用于表征纹理跨HI。通过采用生态多样性的措施和离散小波变换，它是可能的量化的内在属性，这样的图像与有前途的准确性两个HI数据集相比，国家的最先进的方法。
2022-02-27 cs.CV cs.LG eess.IV
Fractal Descriptors in the Fourier Domain Applied to Color Texture Analysis
目前的工作提出了一种新的方法来提供彩色纹理图像的描述符的发展。该方法包括两个步骤。首先，我们在图像的颜色空间中应用线性变换，旨在突出像素颜色之间的空间结构关系。第二，基于傅立叶变换，我们将多尺度方法应用于分形维数的计算。从这个多尺度操作，我们提取的描述符用于区分数字图像中表示的纹理。该方法的准确性进行了验证，在两个颜色纹理数据集的分类，通过比较所提出的技术的性能，其他经典和国家的最先进的方法进行颜色纹理分析。结果表明，所提出的技术比第二好的方法有近3%的优势。
2012-02-20 cs.CV math.DS physics.data-an
Improving Road Signs Detection performance by Combining the Features of Hough Transform and Texture
Faculty of Sciences, Ibn Zohr University（伊本·佐赫尔大学理学院）
随着智能系统在不同领域的广泛应用，为了提高驾驶员和行人的安全，道路和交通标志识别系统一直是一个具有挑战性的问题和重要的任务。但是，在阿拉伯背景下感兴趣的图像中的交通标志的检测和识别领域所做的研究仍然不足。道路标志检测是交通标志检测与识别的主要阶段之一。本文提出了一种有效的解决方案来增强道路标志的检测，包括阿拉伯语上下文，基于颜色分割的性能，随机Hough变换和Zernike矩和Haralick特征的组合。分割阶段对于确定图像中的感兴趣区域（ROI）是有用的。随机霍夫变换（RHT）用于检测圆形和八边形形状。该阶段通过Haralick特征和Zernike矩的提取得到改进。此外，我们使用它作为基于SVM的分类器的输入。实验结果表明，该方法可以使我们执行的测量精度。
2020-10-13 cs.CV eess.IV
Texture for Colors: Natural Representations of Colors Using Variable Bit-Depth Textures
Google, Inc.（谷歌公司）
已经提出了许多方法来将彩色和灰度图像转换为它们的每像素单个比特的二进制对应物。通常，目标是增强原始图像的特定属性，使其更适合分析。然而，当所得到的二值化图像旨在供人类观看时，美学也必须考虑。二值化技术，如半色调，点画，和阴影，已被广泛用于模拟原始图像的强度分布。我们提出了一种自动化的方法来将图像转换为一组二进制纹理，不仅代表强度，而且还代表原始的颜色。我们的方法的基础是信息保存：创建一组纹理，允许仅从二值化表示重建原始图像的颜色。我们提出的技术，以确保所创建的纹理在视觉上不会分散注意力，保留图像的强度配置文件，并且是自然的，因为它们映射的颜色集是感知相似的模式是相似的。该方法使用深度神经网络，并且完全是自我监督的;不需要好的和坏的二进制化的例子。该系统产生美观的二进制图像进行测试时，对各种图像源。
2021-05-04 cs.CV cs.GR cs.LG
Texture Image Classification Using DWT AlexNet Feature Fusion and Deep Neural Networks
The University of Texas at Tyler（德克萨斯大学泰勒分校）
针对纹理图像分类中手工特征与深度学习模型的不足，提出DWT_AlexNet_DNN混合特征融合框架，结合DWT特征与AlexNet深度特征实现纹理图像分类。
2026-08-31 cs.AI cs.CV
GANosaic: Mosaic Creation with Generative Texture Manifolds
Zalando Research（Zalando 研究院）
提出了一种新的基于卷积神经网络的纹理拼接框架。我们的方法被称为GANoetching和执行生成纹理模型，它允许将内容图像转换成马赛克表现出底层纹理流形的视觉特性的潜在噪声空间中的优化。为了表示该流形，我们使用最先进的生成对抗方法进行纹理合成，该方法可以从数据中学习富有表现力的纹理表示，并生成具有非常高分辨率的马赛克图像。这种完全卷积模型生成平滑（没有任何可见边界）的马赛克图像，这些图像局部变形和混合不同的纹理。此外，我们开发了一种新的类型的可微统计正则化适合优化的PSGAN模型的先验噪声空间。
2017-12-01 cs.CV stat.ML
