易慧敏，朱子奇

(武汉科技大学计算机科学与技术学院,湖北 武汉 430065)

0 引 言

动态纹理也称为运动纹理或纹理视频[1]，来自于在空间和时间上定义的均匀随机过程的样本[2-3]。它在现实世界的视频中很常见，例如火焰、波浪、摆动的灯泡、旋转的风车等。

动态纹理合成被定义为生成此类人造纹理的过程。它是图像处理中的一个重要主题，在计算机视觉和图像处理中有许多应用，包括模式识别[4]、图像压缩[5]、医学影像诊断[6]和材料结构研究等[7]。因此，在过去的几十年里，动态纹理合成一直是计算机视觉和图形学中一个充满活力且富有挑战性的主题。

现有的动态纹理合成参数化建模方法大致可分为2类：浅层模型和深层模型。

1)浅层模型。

LDS(Linear Dynamic System)[8]是一种众所周知的方法。在LDS中，每个视频帧被扩展成一个列向量，然后通过奇异值分解将输入的视频帧投影到低维空间，并对其动态轨迹进行建模。因此，寻找一个合适的子空间来描述轨迹是LDS的关键。近十年来，继LDS之后，许多浅层模型被相继提出，例如闭环LDS[9]、稳定LDS[10-11]、Kernel-DT(Kernel Dynamic Texture)等[12]。虽然这些模型提高了LDS的性能，但是LDS方法存在使运动趋于平滑的问题，只能对振荡系统达到良好的综合效果。

2)深层模型。

随着深度学习引发的活动浪潮，Gatys等人[13]提出了一种基于深层卷积神经网络的纹理合成模型，可以合成高质量的静态纹理。这也证明了卷积神经网络可以用于纹理特征提取。与传统的浅层模型相比，深层模型具有更强的非线性特征提取和非线性行为表达能力。……