Diffusion-based model for textile generation

Lo sviluppo di titoli AAA moderni richiede la produzione di migliaia di materiali tessili unici, rappresentando un significativo collo di bottiglia nella pipeline produttiva. A differenza di superfici solide, i tessuti digitali presentano una struttura gerarchica complessa che genera proprietà difficili da sintetizzare con metodi tradizionali. Questa tesi valuta una pipeline basata su modelli di diffusione latente per l'espansione di texture tessili da campioni di 256×256 pixel a risoluzioni produttive di 1024×1024. L'obiettivo è ottenere texture nativamente ripetibili e strutturalmente coerenti, superando i limiti degli approcci esistenti che producono artefatti visibili o richiedono estensive lavorazioni manuali. Il metodo proposto introduce un framework dual-pathway che adatta la strategia generativa alla topologia del tessuto: per pattern geometrici regolari e per texture con dettagli ad alta frequenza viene impiegata una pipeline completa con guida visiva, mentre per materiali organici irregolari si utilizza un approccio di outpainting diretto. Tre tecniche coordinate operano in fasi specifiche del processo di diffusione: manipolazione spaziale per prevenire artefatti ai bordi e inizializzazione strutturata per preservare le caratteristiche del campione sorgente. I risultati dimostrano che la ripetibilità nativa senza post-processing è ottenibile mantenendo l'integrità geometrica durante l'espansione semantica. La validazione empirica stabilisce finestre temporali precise in cui gli interventi architetturali producono risultati ottimali, fornendo agli artisti un toolkit di controllo basato sulla selezione di riferimenti visivi anziché su complesse configurazioni parametriche.