[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DeepRegNet--DeepReg":3,"tool-DeepRegNet--DeepReg":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":67,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":144},2455,"DeepRegNet\u002FDeepReg","DeepReg","Medical image registration using deep learning","DeepReg 是一个专为医学图像配准研究和教育打造的开源工具包，旨在利用深度学习技术解决复杂的医疗影像对齐难题。在临床诊断和治疗规划中，医生往往需要将不同时间、不同模态（如 CT 与 MRI）或不同患者之间的医学图像进行精确匹配，这一过程被称为“图像配准”。传统方法计算耗时且难以处理复杂的形变，而 DeepReg 通过引入先进的深度学习算法，显著提升了配准的效率与准确性，帮助研究人员更快速地探索新型配准策略。\n\n这款工具特别适合生物医学工程领域的研究人员、数据科学家以及对此感兴趣的开发者使用。无论你是希望验证最新的无监督或弱监督配准算法，还是试图将其应用于具体的临床场景，DeepReg 都提供了坚实的基础。其核心亮点在于基于 TensorFlow 2 构建，不仅支持高效的模型训练和快速部署，还内置了多种主流算法及其变体，方便用户进行对比实验。\n\n为了降低使用门槛，DeepReg 设计了简洁的命令行工具，用户无需编写大量复杂的脚本即可上手运行。此外，项目强调开放性与可复现性，所有演示案例均采用公开 accessible 的数据集，并配有详细的文档和教程。遵循 Apache 2.0 许可","DeepReg 是一个专为医学图像配准研究和教育打造的开源工具包，旨在利用深度学习技术解决复杂的医疗影像对齐难题。在临床诊断和治疗规划中，医生往往需要将不同时间、不同模态（如 CT 与 MRI）或不同患者之间的医学图像进行精确匹配，这一过程被称为“图像配准”。传统方法计算耗时且难以处理复杂的形变，而 DeepReg 通过引入先进的深度学习算法，显著提升了配准的效率与准确性，帮助研究人员更快速地探索新型配准策略。\n\n这款工具特别适合生物医学工程领域的研究人员、数据科学家以及对此感兴趣的开发者使用。无论你是希望验证最新的无监督或弱监督配准算法，还是试图将其应用于具体的临床场景，DeepReg 都提供了坚实的基础。其核心亮点在于基于 TensorFlow 2 构建，不仅支持高效的模型训练和快速部署，还内置了多种主流算法及其变体，方便用户进行对比实验。\n\n为了降低使用门槛，DeepReg 设计了简洁的命令行工具，用户无需编写大量复杂的脚本即可上手运行。此外，项目强调开放性与可复现性，所有演示案例均采用公开 accessible 的数据集，并配有详细的文档和教程。遵循 Apache 2.0 许可协议，DeepReg 鼓励社区协作与贡献，是一个透明、友好且专注于科研教育的优质平台，助力推动智能医疗影像分析技术的发展。","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002FDeepRegNet\u002FDeepReg\u002Fmain\u002Fdocs\u002Fasset\u002Fdeepreg_logo_purple.svg\"\n    alt=\"deepreg_logo\" title=\"DeepReg\" width=\"200\"\u002F>\n\u003C\u002Fp>\n\n\u003Ctable align=\"center\">\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>Package\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0\">\n      \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg\" alt=\"License\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fpypi.python.org\u002Fpypi\u002FDeepReg\u002F\">\n      \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fdeepreg.svg\" alt=\"PyPI Version\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fpypi.python.org\u002Fpypi\u002FDeepReg\u002F\">\n      \u003Cimg alt=\"PyPI - Python Version\" src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fdeepreg\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fpepy.tech\u002Fproject\u002Fdeepreg\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_43da1d85f255.png\"\n        alt=\"PyPI downloads\">\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>Documentation\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_6bf48b3e9a6d.png\" alt=\"Documentation Status\">\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>Code\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Factions?query=workflow%3A%22Unit+Test%22\">\n      \u003Cimg src=\"https:\u002F\u002Fgithub.com\u002Fdeepregnet\u002Fdeepreg\u002Fworkflows\u002FUnit%20Test\u002Fbadge.svg?branch=main\" alt=\"Unit Test\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Factions?query=workflow%3A%22Integration+Test%22\">\n      \u003Cimg src=\"https:\u002F\u002Fgithub.com\u002Fdeepregnet\u002Fdeepreg\u002Fworkflows\u002FIntegration%20Test\u002Fbadge.svg?branch=main\" alt=\"Integration Test\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fcodecov.io\u002Fgithub\u002FDeepRegNet\u002FDeepReg\">\n      \u003Cimg src=\"https:\u002F\u002Fcodecov.io\u002Fgh\u002FDeepRegNet\u002FDeepReg\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg\" alt=\"Coverage Status\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack\">\n      \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg\" alt=\"Code Style\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fscrutinizer-ci.com\u002Fg\u002FDeepRegNet\u002FDeepReg\u002F\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_53f9c39ab34e.png\" alt=\"Code Quality\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fcodeclimate.com\u002Fgithub\u002FDeepRegNet\u002FDeepReg\u002Fmaintainability\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_91fd2da65c07.png\" alt=\"Code Maintainability\">\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>Papers\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F7e6de472bc82a70d7618e23f618960b3\">\u003Cimg\n        src=\"https:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F7e6de472bc82a70d7618e23f618960b3\u002Fstatus.svg\"\n        alt=\"JOSS Paper\">\u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F269365590\">\u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002F269365590.svg\"\n        alt=\"DOI\">\u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n# DeepReg\n\n**DeepReg is a freely available, community-supported open-source toolkit for research\nand education in medical image registration using deep learning.**\n\n- TensorFlow 2-based for efficient training and rapid deployment;\n- Implementing major unsupervised and weakly-supervised algorithms, with their\n  combinations and variants;\n- Focusing on growing and diverse clinical applications, with all DeepReg Demos using\n  open-accessible data;\n- Simple built-in command line tools requiring minimal programming and scripting;\n- Open, permissible and research-and-education-driven, under the Apache 2.0 license.\n\n---\n\n## Getting Started\n\n- [DeepReg.Net](http:\u002F\u002Fdeepreg.net\u002F)\n- [Documentation, Tutorials, and Quick Start](https:\u002F\u002Fdeepreg.readthedocs.io\u002F)\n- [Medical Image Registration Demos using DeepReg](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fdemo\u002Fintroduction.html)\n- [Issue Tracker](https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002Fnew\u002Fchoose)\n\n## Contributing\n\nGet involved, and help make DeepReg better! We want your help - **Really**.\n\n**Being a contributor doesn't just mean writing code.** Equally important to the\nopen-source process is writing or proof-reading documentation, suggesting or\nimplementing tests, or giving feedback about the project. You might see the errors and\nassumptions that have been glossed over. If you can write any code at all, you can\ncontribute code to open-source. We are constantly trying out new skills, making\nmistakes, and learning from those mistakes. That's how we all improve, and we are happy\nto help others learn with us.\n\n### Code of Conduct\n\nThis project is released with a\n[Code of Conduct](https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FCODE_OF_CONDUCT.md).\nBy participating in this project, you agree to abide by its terms.\n\n### Where Should I Start?\n\nFor guidance on making a contribution to DeepReg, see our\n[Contribution Guidelines](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing\u002Fguide.html).\n\nHave a registration application with openly accessible data? Consider\n[contributing a DeepReg Demo](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing\u002Fdemo.html).\n\n## MICCAI 2020 Educational Challenge\n\nOur [MICCAI Educational Challenge](https:\u002F\u002Fmiccai-sb.github.io\u002Fmaterials.html)\nsubmission on DeepReg is an Award Winner!\n\nCheck it out\n[here](https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FIntro_to_Medical_Image_Registration.ipynb) -\nyou can also\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FIntro_to_Medical_Image_Registration.ipynb)\n\n## Overview Video\n\nMembers of the DeepReg dev team presented \"The Road to DeepReg\" at the Centre for\nMedical Imaging Computing (CMIC) seminar series at University College London on the 4th\nof November 2020. You can access the talk\n[here](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=jDEyWXZM3CE&feature=youtu.be).\n\n## Citing DeepReg\n\nDeepReg is research software, made by a\n[team of academic researchers](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002F#contributors).\nCitations and use of our software help us justify the effort which has gone into, and\nwill keep going into, maintaining and growing this project.\n\nIf you have used DeepReg in your research, please consider citing us:\n\n> Fu _et al._, (2020). DeepReg: a deep learning toolkit for medical image registration.\n> _Journal of Open Source Software_, **5**(55), 2705,\n> https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02705\n\nOr with BibTex:\n\n```\n@article{Fu2020,\n  doi = {10.21105\u002Fjoss.02705},\n  url = {https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02705},\n  year = {2020},\n  publisher = {The Open Journal},\n  volume = {5},\n  number = {55},\n  pages = {2705},\n  author = {Yunguan Fu and Nina Montaña Brown and Shaheer U. Saeed and Adrià Casamitjana and Zachary M. C. Baum and Rémi Delaunay and Qianye Yang and Alexander Grimwood and Zhe Min and Stefano B. Blumberg and Juan Eugenio Iglesias and Dean C. Barratt and Ester Bonmati and Daniel C. Alexander and Matthew J. Clarkson and Tom Vercauteren and Yipeng Hu},\n  title = {DeepReg: a deep learning toolkit for medical image registration},\n  journal = {Journal of Open Source Software}\n}\n```\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002FDeepRegNet\u002FDeepReg\u002Fmain\u002Fdocs\u002Fasset\u002Fdeepreg_logo_purple.svg\"\n    alt=\"deepreg_logo\" title=\"DeepReg\" width=\"200\"\u002F>\n\u003C\u002Fp>\n\n\u003Ctable align=\"center\">\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>软件包\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0\">\n      \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg\" alt=\"许可证\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fpypi.python.org\u002Fpypi\u002FDeepReg\u002F\">\n      \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fdeepreg.svg\" alt=\"PyPI版本\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fpypi.python.org\u002Fpypi\u002FDeepReg\u002F\">\n      \u003Cimg alt=\"PyPI - Python版本\" src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fdeepreg\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fpepy.tech\u002Fproject\u002Fdeepreg\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_63eba848909b.png\"\n        alt=\"PyPI下载量\">\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>文档\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_6bf48b3e9a6d.png\" alt=\"文档状态\">\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>代码\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Factions?query=workflow%3A%22Unit+Test%22\">\n      \u003Cimg src=\"https:\u002F\u002Fgithub.com\u002Fdeepregnet\u002Fdeepreg\u002Fworkflows\u002FUnit%20Test\u002Fbadge.svg?branch=main\" alt=\"单元测试\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Factions?query=workflow%3A%22Integration+Test%22\">\n      \u003Cimg src=\"https:\u002F\u002Fgithub.com\u002Fdeepregnet\u002Fdeepreg\u002Fworkflows\u002FIntegration%20Test\u002Fbadge.svg?branch=main\" alt=\"集成测试\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fcodecov.io\u002Fgithub\u002FDeepRegNet\u002FDeepReg\">\n      \u003Cimg src=\"https:\u002F\u002Fcodecov.io\u002Fgh\u002FDeepRegNet\u002FDeepReg\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg\" alt=\"覆盖率\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack\">\n      \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg\" alt=\"代码风格\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fscrutinizer-ci.com\u002Fg\u002FDeepRegNet\u002FDeepReg\u002F\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_53f9c39ab34e.png\" alt=\"代码质量\">\n      \u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fcodeclimate.com\u002Fgithub\u002FDeepRegNet\u002FDeepReg\u002Fmaintainability\">\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_readme_91fd2da65c07.png\" alt=\"代码可维护性\">\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\n      \u003Cb>论文\u003C\u002Fb>\n    \u003C\u002Ftd>\n    \u003Ctd>\n      \u003Ca href=\"https:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F7e6de472bc82a70d7618e23f618960b3\">\u003Cimg\n        src=\"https:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F7e6de472bc82a70d7618e23f618960b3\u002Fstatus.svg\"\n        alt=\"JOSS论文\">\u003C\u002Fa>\n      \u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F269365590\">\u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002F269365590.svg\"\n        alt=\"DOI\">\u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n# DeepReg\n\n**DeepReg是一个免费提供、由社区支持的开源工具包，用于基于深度学习的医学图像配准研究与教育。**\n\n- 基于TensorFlow 2，训练高效且部署迅速；\n- 实现了主要的无监督和弱监督算法，以及它们的组合与变体；\n- 专注于不断增长且多样化的临床应用，所有DeepReg演示均使用公开可用的数据；\n- 内置简单命令行工具，只需最少的编程和脚本编写；\n- 开放、宽松且以研究和教育为导向，遵循Apache 2.0许可协议。\n\n---\n\n## 入门指南\n\n- [DeepReg.Net](http:\u002F\u002Fdeepreg.net\u002F)\n- [文档、教程和快速入门](https:\u002F\u002Fdeepreg.readthedocs.io\u002F)\n- [使用DeepReg的医学图像配准演示](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fdemo\u002Fintroduction.html)\n- [问题追踪器](https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002Fnew\u002Fchoose)\n\n## 贡献说明\n\n欢迎参与，帮助我们共同改进DeepReg！我们非常需要您的帮助——**真的**。\n\n**成为贡献者并不只是编写代码。** 对于开源项目而言，撰写或校对文档、提出或实施测试方案，以及对项目提供反馈同样重要。您可能会发现那些被忽略的错误和假设。只要您会写一点代码，就可以为开源项目做出贡献。我们一直在尝试新技能、犯错，并从这些错误中学习。正是这样，我们才能不断进步，我们也乐于帮助他人与我们一起成长。\n\n### 行为准则\n\n本项目遵循一份\n[行为准则](https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FCODE_OF_CONDUCT.md)。\n参与本项目即表示您同意遵守其中的各项条款。\n\n### 我应该从哪里开始？\n\n有关如何为DeepReg做出贡献的指导，请参阅我们的\n[贡献指南](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing\u002Fguide.html)。\n\n如果您有一个使用公开数据的配准应用，不妨考虑\n[提交一个DeepReg演示](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fcontributing\u002Fdemo.html)。\n\n## MICCAI 2020教育挑战赛\n\n我们在MICCAI教育挑战赛中的\n[DeepReg提交作品](https:\u002F\u002Fmiccai-sb.github.io\u002Fmaterials.html)荣获奖项！\n\n请在此处查看：\n[https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FIntro_to_Medical_Image_Registration.ipynb](https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FIntro_to_Medical_Image_Registration.ipynb) -\n您也可以通过\n[![在Colab中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FDeepRegNet\u002FDeepReg\u002Fblob\u002Fmain\u002Fdocs\u002FIntro_to_Medical_Image_Registration.ipynb) 直接运行。\n\n## 概览视频\n\n2020年11月4日，DeepReg开发团队成员在伦敦大学学院医学影像计算中心（CMIC）的系列研讨会上发表了题为“通往DeepReg之路”的报告。您可以在这里观看该演讲：\n[https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=jDEyWXZM3CE&feature=youtu.be](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=jDEyWXZM3CE&feature=youtu.be)。\n\n## 引用 DeepReg\n\nDeepReg 是一款研究型软件，由一支\n[学术研究团队](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002F#contributors) 开发。对我们的软件进行引用和使用，有助于我们证明为维护和发展该项目所付出的努力是值得的，并将继续投入。\n\n如果您在研究中使用了 DeepReg，请考虑引用我们：\n\n> Fu _et al._, (2020). DeepReg：用于医学图像配准的深度学习工具包。\n> _开源软件期刊_，**5**(55), 2705，\n> https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02705\n\n或使用 BibTeX 格式：\n\n```\n@article{Fu2020,\n  doi = {10.21105\u002Fjoss.02705},\n  url = {https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02705},\n  year = {2020},\n  publisher = {The Open Journal},\n  volume = {5},\n  number = {55},\n  pages = {2705},\n  author = {Yunguan Fu and Nina Montaña Brown and Shaheer U. Saeed and Adrià Casamitjana and Zachary M. C. Baum and Rémi Delaunay and Qianye Yang and Alexander Grimwood and Zhe Min and Stefano B. Blumberg and Juan Eugenio Iglesias and Dean C. Barratt and Ester Bonmati and Daniel C. Alexander and Matthew J. Clarkson and Tom Vercauteren and Yipeng Hu},\n  title = {DeepReg: a deep learning toolkit for medical image registration},\n  journal = {Journal of Open Source Software}\n}\n```","# DeepReg 快速上手指南\n\nDeepReg 是一个基于 TensorFlow 2 的开源深度学习工具包，专为医学图像配准的研究与教育设计。它提供了无监督和弱监督算法的实现，并内置了简单的命令行工具，无需复杂的编程即可使用。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.7 及以上版本（具体兼容版本请参考 PyPI 页面标识）\n*   **前置依赖**：\n    *   `pip` 包管理工具\n    *   （可选但推荐）GPU 支持：若需加速训练，请预先安装 compatible 版本的 CUDA 和 cuDNN，以及对应的 `tensorflow-gpu` 或包含 GPU 支持的 TensorFlow。\n\n## 安装步骤\n\n推荐使用 `pip` 进行安装。您可以选择稳定版或直接从源码安装最新版。\n\n### 方法一：通过 PyPI 安装（推荐）\n\n```bash\npip install deepreg\n```\n\n> **提示**：如果您在中国大陆，遇到下载速度慢的问题，可以使用国内镜像源加速：\n> ```bash\n> pip install deepreg -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 方法二：从源码安装（适合开发者）\n\n如果您希望获取最新功能或参与贡献，可以从 GitHub 克隆仓库并安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg.git\ncd DeepReg\npip install -e .\n```\n\n## 基本使用\n\nDeepReg 提供了内置的命令行工具，使得运行演示和训练模型变得非常简单。以下是最基础的使用流程。\n\n### 1. 验证安装\n\n安装完成后，您可以在终端输入以下命令检查是否安装成功：\n\n```bash\ndeepreg --help\n```\n\n### 2. 运行官方演示 (Demo)\n\nDeepReg 包含了多个使用公开数据集的配准演示。以运行一个基础的无监督配准 Demo 为例：\n\n```bash\n# 下载并运行 demo (具体 demo 名称请参考文档，此处以通用命令结构为例)\ndeepreg_demo --config_path path\u002Fto\u002Fconfig.yaml\n```\n\n*注：具体的配置文件路径和参数取决于您选择的特定 Demo（如脑部 MRI、腹部 CT 等）。建议先浏览 [DeepReg Demos](https:\u002F\u002Fdeepreg.readthedocs.io\u002Fen\u002Flatest\u002Fdemo\u002Fintroduction.html) 获取特定任务的配置示例。*\n\n### 3. 自定义训练与预测\n\n对于自定义数据，您需要准备符合 DeepReg 格式的数据集，并编写 YAML 配置文件。基本训练命令如下：\n\n```bash\n# 训练模型\ndeepreg_train --config_path config\u002Ftrain.yaml --log_dir logs\u002Fmy_experiment\n\n# 使用训练好的模型进行预测\ndeepreg_predict --config_path config\u002Fpredict.yaml --ckpt_path logs\u002Fmy_experiment\u002Fsave\u002Fweights-epoch_XX.ckpt\n```\n\n更多详细的配置选项、数据格式要求及高级用法，请参阅 [官方文档](https:\u002F\u002Fdeepreg.readthedocs.io\u002F)。","某三甲医院影像科的研究团队正致力于开发一套自动化的肝脏手术规划系统，核心任务是将患者术前的静态 CT 影像与术中的实时超声或另一时相的 MRI 数据进行精确对齐，以辅助医生精准定位肿瘤位置。\n\n### 没有 DeepReg 时\n- **算法复现门槛极高**：研究人员需从零编写复杂的深度学习配准代码，调试无监督或弱监督算法耗时数周，且极易因底层框架差异导致实验不可复现。\n- **计算资源消耗巨大**：传统迭代优化方法处理高分辨率 3D 医学影像速度极慢，单次配准可能耗时数十分钟，无法满足临床近实时的交互需求。\n- **缺乏标准化评估**：不同成员使用各自的脚本和评估指标，导致实验结果难以横向对比，团队协作效率低下，论文发表时的可重复性备受质疑。\n- **数据预处理繁琐**：针对不同类型的医学影像（如 CT 到 MRI 的跨模态），需要手动编写大量预处理和数据增强脚本，容易引入人为误差。\n\n### 使用 DeepReg 后\n- **开箱即用的算法库**：直接调用 DeepReg 内置的主流无监督和弱监督配准模型，通过简单的命令行即可启动训练，将算法验证周期从数周缩短至数天。\n- **高效的推理速度**：基于 TensorFlow 2 优化，模型训练完成后，单例 3D 影像配准可在秒级完成，显著提升了手术规划系统的响应速度和临床实用性。\n- **统一的实验基准**：利用其标准化的数据加载器和评估模块，团队确保了所有实验在同一基准下进行，结果可比性强，极大促进了科研协作与成果发表。\n- **灵活的跨模态支持**：借助其丰富的 Demo 和开源数据集支持，快速适配 CT-MRI 跨模态配准任务，无需重复造轮子处理底层数据兼容性问题。\n\nDeepReg 通过提供标准化、高效且易用的深度学习配准解决方案，显著降低了医学图像分析的研发门槛，加速了从算法研究到临床辅助诊断应用的转化进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDeepRegNet_DeepReg_3d7cce03.png","DeepRegNet","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDeepRegNet_45ecb73d.png","",null,"deepreg.net","https:\u002F\u002Fgithub.com\u002FDeepRegNet",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.8,{"name":88,"color":89,"percentage":90},"Dockerfile","#384d54",0.2,617,85,"2026-03-31T12:20:22","Apache-2.0","未说明",{"notes":97,"python":98,"dependencies":99},"DeepReg 是一个基于 TensorFlow 2 的医学图像配准开源工具包。虽然 README 中未详细列出具体的硬件配置要求，但作为深度学习框架，通常建议配备 NVIDIA GPU 以加速训练和推理。具体依赖版本需参考 PyPI 页面或官方文档。","3.7+",[100],"tensorflow>=2.4",[14,13],[103,104,105,106,107,108,109,110,111],"image-registration","medical-image-registration","image-fusion","deep-learning","deep-neural-networks","neural-network","convolutional-neural-networks","tensorflow2","deepreg","2026-03-27T02:49:30.150509","2026-04-06T06:54:03.563828",[115,120,124,129,134,139],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},11297,"运行训练脚本时出现 KeyError: 'method' 错误怎么办？","这通常是因为配置文件结构不正确或参数缺失。请检查你的 YAML 配置文件，确保在 `train` -> `model` 下正确设置了 `method` 参数（例如 `ddf`, `dvf` 或 `conditional`）。\n\n示例配置：\n```yaml\ntrain:\n  model:\n    method: \"ddf\" # 可选值: ddf \u002F dvf \u002F conditional\n    backbone: \"unet\"\n```\n如果之前能运行但更新代码后报错，请对比最新的示例配置文件，确保所有必填字段都已包含。","https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002F625",{"id":121,"question_zh":122,"answer_zh":123,"source_url":119},11298,"如何解决 GPU 内存不足或选择正确的 GPU 进行训练？","1. 使用 `nvidia-smi` 命令查看当前 GPU 的显存使用情况，选择空闲显存最多的 GPU。\n2. 注意 GPU 索引是从 0 开始的（即 0, 1, 2, 3...），不要误以为是 1, 2, 3, 4。\n3. 如果显存仍然不足，可以尝试减小 `batch_size`。\n\n示例代码中指定 GPU 的方式：\n```python\ngpu = \"2,3\" # 使用索引为 2 和 3 的 GPU\ngpu_allow_growth = True # 允许显存按需增长\n```",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},11299,"如何自动生成 Demo 的可视化图片？","虽然官方主分支未直接包含自动更新所有 demo 图片的脚本（因为会增加仓库体积），但你可以使用以下逻辑自行编写脚本。该脚本利用 `deepreg_vis` 命令生成可视化结果。\n\n核心命令示例：\n```bash\ndeepreg_vis -m 2 -i 'path\u002Fto\u002Fmoving_image.nii.gz,path\u002Fto\u002Fpred_fixed_image.nii.gz,path\u002Fto\u002Ffixed_image.nii.gz' --slice-inds \u003C切片索引> -s docs\u002Fsource\u002Fassets --fname \u003C输出文件名>.png\n```\n\nPython 脚本逻辑参考：\n```python\nimport os\nimport subprocess\n\ndef vis_single_config_demo(name, slice):\n    # 获取最新的预测日志目录\n    time = sorted(os.listdir(f\"demos\u002F{name}\u002Flogs_predict\"))[-1]\n    pair = sorted(os.listdir(f\"demos\u002F{name}\u002Flogs_predict\u002F{time}\u002Ftest\"))[-1]\n    \n    cmd = [\n        f\"deepreg_vis -m 2 -i \"\n        f\"'demos\u002F{name}\u002Flogs_predict\u002F{time}\u002Ftest\u002F{pair}\u002Fmoving_image.nii.gz,\"\n        f\"demos\u002F{name}\u002Flogs_predict\u002F{time}\u002Ftest\u002F{pair}\u002Fpred_fixed_image.nii.gz,\"\n        f\"demos\u002F{name}\u002Flogs_predict\u002F{time}\u002Ftest\u002F{pair}\u002Ffixed_image.nii.gz'\"\n        f\" --slice-inds {slice} -s docs\u002Fsource\u002Fassets\"\n        f\" --fname {name}.png\"\n    ]\n    subprocess.run(cmd, shell=True)\n```","https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002F629",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},11300,"DeepReg 是否提供命令行工具来自动生成配置文件？","目前 DeepReg **没有**提供通过命令行交互生成配置文件的 CLI 工具。用户需要手动编辑 YAML 配置文件。\n\n建议做法：\n1. 复制 `deepreg\u002Fconfig` 目录下现有的示例 YAML 文件。\n2. 根据文档修改其中的参数。\n3. 参考官方文档中的配置说明（Configuration Guide）了解各参数的含义和取值范围。\n\n维护者表示该功能优先级较低，建议直接通过修改现有配置文件来进行自定义训练。","https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002F54",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},11301,"如何访问 DeepReg 的官方文档和主页？","1. **官方主页\u002FLanding Page**: 访问 [deepreg.net](http:\u002F\u002Fdeepreg.net)，这里提供了简要介绍、特性展示和演示图片，并链接到 GitHub 和文档。\n2. **详细文档**: 访问 ReadTheDocs 站点（通常链接为 `deepreg.readthedocs.io`），这里包含详细的教程、API 参考和配置指南。\n\n如果 deepreg.net 重定向有问题，请直接前往 GitHub 仓库页面查找文档链接。","https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002F324",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},11302,"文档中的链接失效或页面显示不正常怎么办？","如果在阅读文档（特别是教程部分，如 `tutorial\u002Fcross_val.md`）时发现链接失效，可能是由于文档构建时的路径解析问题或版本差异。\n\n建议解决方案：\n1. 尝试访问最新版本的文档（检查 URL 中是否有 `\u002Flatest\u002F` 或特定版本号）。\n2. 直接在 GitHub 仓库的 `docs\u002Fsource` 目录下查看原始的 Markdown 或 reStructuredText 文件，以获取最准确的路径和信息。\n3. 如果是特定章节（如 Experimental 部分）的问题，可以参考正在进行的 Pull Request 或 Issue 讨论，因为文档可能正在重构中。","https:\u002F\u002Fgithub.com\u002FDeepRegNet\u002FDeepReg\u002Fissues\u002F322",[145,149,153,157],{"id":146,"version":147,"summary_zh":79,"released_at":148},61796,"v0.1.2","2021-02-01T08:46:09",{"id":150,"version":151,"summary_zh":79,"released_at":152},61797,"v0.1.1","2020-11-19T15:39:45",{"id":154,"version":155,"summary_zh":79,"released_at":156},61798,"v0.1.0","2020-11-02T23:47:32",{"id":158,"version":159,"summary_zh":79,"released_at":160},61799,"v0.1.0b1","2020-09-01T11:04:24"]