GenesisTex：将图像去噪扩散适配到纹理空间

基于摘要分析。GenesisTex 研究如何根据文本描述为 3D 几何体合成纹理，核心贡献是通过纹理空间采样，将预训练图像扩散模型适配到多视角纹理生成，并在采样过程中协调不同视角的一致性。 方法为每个视角维护一张潜在纹理图，利用对应视角渲染图像上的噪声预测更新潜在纹理，再将采样得到的潜在纹理图解码为最终纹理图。为处理跨视角一致性，作者在噪声预测网络中引入风格一致性机制以维持全局一致性，并通过动态对齐潜在纹理维持低层级一致性。随后，在更密集的视角上采用基于参考的 inpainting 和 img2img 进行纹理细化。摘要未说明这些机制的具体实现、训练需求及采样配置。 作者将该方法定位为对蒸馏式方法优化缓慢、inpainting 式方法不稳定等问题的改进。作者报告，在来自多种来源的网格模型上，GenesisTex 的定量与定性表现均优于对照方法；但摘要未提供网格集合名称、基线、指标、具体数值或运行时间，因此尚不能核实性能优势的幅度及适用条件，实验协议、消融及统计信息尚未验证。 该论文的主要对象是文本驱动的 3D 纹理合成，而非神经信号建模或 BCI。现有材料未建立其多视角纹理一致性机制与 EEG 数据结构之间的具体对应关系，因此不据此生成 EEG 迁移结论或复现实验建议；相关 EEG 工作尚未检索确认。