[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Kobaayyy--Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC":3,"tool-Kobaayyy--Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":73,"owner_twitter":73,"owner_website":78,"owner_url":79,"languages":73,"stars":80,"forks":81,"last_commit_at":82,"license":73,"difficulty_score":83,"env_os":84,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":91,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":115},5988,"Kobaayyy\u002FAwesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC","Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC","A Collection of Papers and Codes for CVPR2026\u002FCVPR2025\u002FICCV2025\u002FCVPR2024\u002FECCV2024 AIGC","Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC 是一个专注于计算机视觉与人工智能生成内容（AIGC）领域的开源资源汇总库。它系统性地整理了从 2024 年到 2026 年期间，在 CVPR、ICCV 和 ECCV 等顶级学术会议上发表的 AIGC 相关论文及其配套代码。\n\n在 AI 技术飞速迭代的背景下，研究人员和开发者往往难以从海量文献中快速定位高质量的研究成果与可复现的代码实现。这个仓库通过分类梳理，将分散的学术资源集中呈现，有效解决了信息检索成本高、代码查找困难的问题，帮助用户紧跟前沿技术动态。\n\n该资源库特别适合计算机视觉领域的研究人员、算法工程师以及高校学生使用。无论是希望追踪最新学术进展的学者，还是寻找项目灵感与代码基准的开发者，都能从中获益。其独特的亮点在于不仅涵盖了已召开的 2024 年会议成果，还前瞻性地纳入了 2025 年及 2026 年的预期收录计划，并关联了底层视觉社区信息平台及相关研究小组列表，构建了从理论论文到实践代码，再到学术社群的完整生态链条，是探索 AIGC 前沿不可或缺的导航工具。","# Awesome-CVPR2026-CVPR2025-ICCV25-CVPR2024-ECCV2024-AIGC[![Awesome](https:\u002F\u002Fcdn.rawgit.com\u002Fsindresorhus\u002Fawesome\u002Fd7305f38d29fed78fa85652e3a63e154dd8e8829\u002Fmedia\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsindresorhus\u002Fawesome)\n\nA Collection of Papers and Codes for CVPR2024 AIGC\n\n**整理汇总了下2026年CVPR,2025年CVPR，2025年ICCV，2024年CVPR和2024年ECCV AIGC相关的论文和代码，具体如下。**\n\n**欢迎star，fork和PR~**\n\n**Please feel free to star, fork or PR if helpful~**\n\n# **参考或转载请注明出处**\n\n# 底层视觉社区信息平台：https:\u002F\u002Flowlevelcv.com\u002F\n\n# Awesome-CVPR2026-AIGC\n- [Awesome-CVPR2026-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FCVPR2026.md)\n# Awesome-CVPR2025-AIGC\n- [Awesome-CVPR2025-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FCVPR2025.md)\n# Awesome-ICCV2025-AIGC\n- [Awesome-ICCV2025-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-ICCV2025-CVPR2025-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FICCV2025.md)\n# Awesome-CVPR2024-AIGC\n- [Awesome-CVPR2024-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FCVPR2024.md)\n# Awesome-ECCV2024-AIGC\n- [Awesome-ECCV2024-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FECCV2024.md)\n\n\n# 相关整理\n\n- [Awesome-ECCV2024-ECCV2020-Low-Level-Vision](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-ECCV2024-ECCV2020-Low-Level-Vision)\n- [Awesome-AIGC-Research-Groups](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-AIGC-Research-Groups)\n- [Awesome-Low-Level-Vision-Research-Groups](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-Low-Level-Vision-Research-Groups)\n- [Awesome-CVPR2024-CVPR2021-CVPR2020-Low-Level-Vision](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-CVPR2021-CVPR2020-Low-Level-Vision)\n","# Awesome-CVPR2026-CVPR2025-ICCV25-CVPR2024-ECCV2024-AIGC[![Awesome](https:\u002F\u002Fcdn.rawgit.com\u002Fsindresorhus\u002Fawesome\u002Fd7305f38d29fed78fa85652e3a63e154dd8e8829\u002Fmedia\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsindresorhus\u002Fawesome)\n\nCVPR2024 AIGC相关论文与代码合集\n\n**整理汇总了2026年CVPR、2025年CVPR、2025年ICCV、2024年CVPR和2024年ECCV中与AIGC相关的论文和代码，具体如下。**\n\n**欢迎star、fork和PR~**\n\n**如有帮助，欢迎star、fork或PR~**\n\n# **引用或转载请注明出处**\n\n# 底层视觉社区信息平台：https:\u002F\u002Flowlevelcv.com\u002F\n\n# Awesome-CVPR2026-AIGC\n- [Awesome-CVPR2026-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FCVPR2026.md)\n# Awesome-CVPR2025-AIGC\n- [Awesome-CVPR2025-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FCVPR2025.md)\n# Awesome-ICCV2025-AIGC\n- [Awesome-ICCV2025-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-ICCV2025-CVPR2025-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FICCV2025.md)\n# Awesome-CVPR2024-AIGC\n- [Awesome-CVPR2024-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FCVPR2024.md)\n# Awesome-ECCV2024-AIGC\n- [Awesome-ECCV2024-AIGC](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-ECCV2024-AIGC\u002Fblob\u002Fmain\u002FECCV2024.md)\n\n\n# 相关整理\n\n- [Awesome-ECCV2024-ECCV2020-底层视觉](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-ECCV2024-ECCV2020-Low-Level-Vision)\n- [Awesome-AIGC研究组](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-AIGC-Research-Groups)\n- [Awesome-底层视觉研究组](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-Low-Level-Vision-Research-Groups)\n- [Awesome-CVPR2024-CVPR2021-CVPR2020-底层视觉](https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2024-CVPR2021-CVPR2020-Low-Level-Vision)","# Awesome-CVPR2026-2024-AIGC 快速上手指南\n\n本工具并非单一的可执行软件或 Python 库，而是一个**学术资源汇总列表（Awesome List）**。它整理了 CVPR (2024-2026)、ICCV (2025) 和 ECCV (2024) 等顶级会议中关于 AIGC（生成式人工智能）的论文与开源代码链接。\n\n因此，本指南旨在指导开发者如何**浏览、检索并利用该列表找到所需项目**，以及如何**运行列表中具体的开源代码**。\n\n## 1. 环境准备\n\n由于本仓库是资源索引，运行其中的具体项目需要满足各项目的独立要求。以下是通用的基础环境建议：\n\n*   **操作系统**: Linux (推荐 Ubuntu 20.04\u002F22.04), macOS, 或 Windows (WSL2)。\n*   **版本控制**: 必须安装 `git`。\n*   **编程语言**: Python 3.8+ (绝大多数 AIGC 项目基于 PyTorch)。\n*   **硬件要求**: 取决于具体项目，通常建议配备 NVIDIA GPU (显存 >= 8GB) 以运行生成模型。\n*   **前置依赖**:\n    *   Git\n    *   Python & Pip\n    *   CUDA Toolkit (根据具体项目需求安装对应版本)\n\n**国内加速方案（可选）：**\n若访问 GitHub 较慢，可配置国内镜像源或使用加速代理：\n```bash\n# 设置 pip 使用清华镜像源\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 2. 获取资源列表\n\n本工具无需传统“安装”，只需克隆仓库即可获取最新的论文与代码索引。\n\n```bash\n# 克隆仓库到本地\ngit clone https:\u002F\u002Fgithub.com\u002FKobaayyy\u002FAwesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC.git\n\n# 进入目录\ncd Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC\n```\n\n## 3. 基本使用\n\n### 步骤一：查找目标项目\n根据你关注的会议年份，打开对应的 Markdown 文件查找感兴趣的论文和代码链接：\n\n*   **CVPR 2026**: 查看 `CVPR2026.md`\n*   **CVPR 2025**: 查看 `CVPR2025.md`\n*   **ICCV 2025**: 查看 `ICCV2025.md`\n*   **CVPR 2024**: 查看 `CVPR2024.md`\n*   **ECCV 2024**: 查看 `ECCV2024.md`\n\n> **提示**：你也可以直接访问底層视觉社区信息平台获取更多分类资源：https:\u002F\u002Flowlevelcv.com\u002F\n\n### 步骤二：运行具体代码\n在列表中找到目标项目后，点击其 **Code** 链接跳转至原项目仓库。通常遵循以下标准流程运行（以典型的 PyTorch 项目为例）：\n\n1.  **克隆具体项目**：\n    ```bash\n    git clone \u003C目标项目仓库地址>\n    cd \u003C目标项目文件夹>\n    ```\n\n2.  **创建虚拟环境并安装依赖**：\n    ```bash\n    python -m venv venv\n    source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n    \n    # 安装 requirements.txt 中的依赖\n    pip install -r requirements.txt\n    ```\n\n3.  **下载预训练模型**：\n    *   查看原项目 README 中的 \"Pretrained Models\" 部分。\n    *   下载权重文件并放置在指定目录（通常为 `weights\u002F` 或 `checkpoints\u002F`）。\n\n4.  **运行推理或训练**：\n    ```bash\n    # 示例：运行推理脚本（具体命令请参考原项目说明）\n    python infer.py --config configs\u002Fexample.yaml --input images\u002Ftest.png\n    ```\n\n### 步骤三：贡献与更新\n如果你发现了新的相关论文或代码，欢迎通过 Pull Request (PR) 贡献到此列表：\n\n```bash\n# 创建新分支\ngit checkout -b add-new-paper\n\n# 编辑对应的 .md 文件，添加论文信息\n\n# 提交并推送\ngit add .\ngit commit -m \"Add new paper for CVPR202X\"\ngit push origin add-new-paper\n```\n随后在 GitHub 页面发起 PR 请求合并。","某高校计算机视觉实验室的研究生李明，正急需为即将投稿的 AIGC 图像修复项目寻找最新的 SOTA（最先进）基线模型进行对比实验。\n\n### 没有 Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC 时\n- **信息检索效率极低**：需要在 Google Scholar、arXiv 和各个会议官网之间反复切换，手动筛选 2024-2026 年间关于 AIGC 的海量论文，耗时数天仍可能遗漏关键文献。\n- **代码复现门槛高**：即使找到了论文，往往难以定位官方开源代码，或发现代码仓库分散、链接失效，导致无法快速验证算法效果。\n- **技术脉络不清晰**：面对零散的文献列表，难以系统性地梳理出从 ECCV2024 到 CVPR2026 的技术演进路线，导致实验方案设计缺乏前瞻性。\n- **错过最新成果**：由于人工追踪滞后，极易忽略刚刚公开的 CVPR2025 或 ICCV2025 预印本，使得研究起点落后于社区最新水平。\n\n### 使用 Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC 后\n- **一站式获取资源**：直接按会议年份（如 CVPR2025、ECCV2024）分类查阅，几分钟内即可锁定所有 AIGC 相关论文及其对应的 GitHub 代码链接。\n- **快速启动实验**：依托整理好的代码库，李明迅速拉取了三个最新的图像生成模型作为基线，将环境配置和代码调试时间从一周缩短至一天。\n- **把握前沿动态**：通过清晰的列表结构，直观掌握了扩散模型在低层视觉任务中的最新改进策略，立即调整了自己的网络架构设计。\n- **确保研究新颖性**：涵盖了直至 2026 年的前瞻性问题列表，确保了对比实验覆盖了社区最新成果，极大提升了论文被接收的概率。\n\nAwesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC 将原本需要数周的信息搜集工作压缩至小时级，让研究者能专注于核心算法创新而非文献大海捞针。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKobaayyy_Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC_cb4b97fc.png","Kobaayyy",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKobaayyy_ca77325f.jpg","Low Level Vision and AIGC","Fuzhou University","China","https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fkobay","https:\u002F\u002Fgithub.com\u002FKobaayyy",654,19,"2026-04-07T05:29:42",1,"","未说明",{"notes":87,"python":85,"dependencies":88},"该仓库是一个论文和代码的汇总列表（Awesome List），并非单一的可执行软件工具。它整理了 CVPR 2024-2026、ICCV 2025 和 ECCV 2024 等会议中关于 AIGC 的研究成果链接。具体的运行环境需求（如操作系统、GPU、依赖库等）需参考仓库中链接到的各个独立论文项目的 README 文件。",[],[90,15,60,35],"其他",[92,93,94,95,96,97,98,99,100,101,102,103,104,105,106,107,108,109,110,111],"aigc","c-v-p-r","cvpr","cvpr2024","diffusion-models","gan-models","image-editing","image-generation","video-editing","video-generation","generative-ai","multi-modal-large-language-model","3d-generation","eccv2024","e-c-c-v","eccv","cvpr2025","iccv2025","iccv","cvpr2026","2026-03-27T02:49:30.150509","2026-04-10T04:36:29.596346",[],[]]