动态纹理是计算机视觉中的动态模型之一。它在空间范围内具有统计平稳性,在时间维度上具有随机重复性。动态纹理生成的目的是合成视觉上类似于给定纹理的图像。针对动态纹理长周期生成的难题,本文利用深度网络在特征提取和时间序列预测中的优势,对动态纹理非线性建模和高质量动态纹理生成方法进行了研究。本文首先对卷积自编码器进行了优化,设计了一种基于多尺度卷积自编码器的动态纹理建模方法。对于不同的动态纹理,在建模时需要关注的信息是不同的,基于传统卷积自编码器的建模方法可能会造成局部信息的丢失。本文模型在原有的解码部分设计了多个中间层用于拟合编码部分的信息,并将这些中间层与解码部分原有的信息进行融合,从而减少下采样操作造成的信息损失。与只使用输入数据与输出数据的差值作为损失函数的传统卷积自编码器不同,此模型通过计算多个层次的误差来优化损失函数,它在对动态纹理建模时能够兼顾纹理的全局特征和细节信息。在动态纹理长周期生成过程中,预测误差的积累是导致纹理质量下降的关键。本文提出了一种基于自纠正机制的动态纹理生成模型。首先,利用清晰度、结构相似性、光流等指标来确定优化数据范围,并找到优化极值点。随后,通过自纠正机制,将原始数据替换为优化数据,并利用优化后的数据进行预测。最后,使用多尺度卷积自编码器将预测数据重构为高维动态纹理视频帧。本文在标准的动态纹理数据集上进行了实验,并与几种典型的动态纹理生成模型进行了比较。实验结果表明,使用该模型生成的动态纹理序列与真实动态纹理序列计算得到的均方误差数值更小,峰值信噪比和结构相似性的数值更大。它解决了动态纹理长周期预测中出现的残影、模糊、噪声等问题,且使用该模型生成的动态纹理序列具有最好的综合效果。同时,验证了所提出的建模方法的有效性。