纹理合成是计算机图形学中的一个基本问题，它能够为各种下游应用提供高质量的纹理素材。 现有方法主要关注于 2D 图像纹理的合成与制作。 相比之下，许多现实世界的纹理具备三维的细观结构，例如草、树叶和织物，仅仅使用 2D 图像纹理无法对其进行几何属性进行表示建模。我们提出了一种利用神经辐射场（NeRF）的新颖纹理合成方法，用于从给定的多视图图像中采集，建模与合成纹理。在所提出的 NeRF 纹理表示中，具有精细几何细节的场景被分解为细观结构纹理和其所在的粗糙流形。通过细观结构与粗流形解耦表示的策略将纹理的精细结构表示为粗形状上的隐特征。隐特征通过输入到神经网络解码器中预测得到外观与几何。使用这种隐式表示，我们可以通过隐特征的补丁匹配与缝合来合成基于NeRF表示的纹理。考虑到重建内容空间和隐特征空间的度量之间的不一致可能会损害合成质量，我们通过结合聚类约束进一步规范隐特征的分布，提高补丁匹配的性能。实验结果和评估证明了我们方法的有效性。