[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-KupynOrest--DeblurGAN":3,"tool-KupynOrest--DeblurGAN":61},[4,18,26,36,44,53],{"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",150037,2,"2026-04-10T23:33:47",[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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":76,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":92,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":154},5008,"KupynOrest\u002FDeblurGAN","DeblurGAN","Image Deblurring using Generative Adversarial Networks","DeblurGAN 是一款基于生成对抗网络（GAN）的开源图像去模糊工具，专门用于解决因物体快速运动或相机抖动导致的照片模糊问题。它能够将模糊不清的输入图像自动还原为清晰锐利的高质量图片，在提升视觉观感的同时，也能显著改善后续计算机视觉任务（如目标检测）的准确性。\n\n该工具特别适合计算机视觉研究人员、AI 开发者以及需要处理动态模糊素材的摄影师使用。其核心亮点在于采用了“条件沃瑟斯坦生成对抗网络（Conditional WGAN）”结合梯度惩罚机制，并引入了基于 VGG-19 网络的感知损失函数。这种独特的架构设计不仅让去模糊效果更加自然逼真，避免了传统方法常见的伪影，还使其具备良好的通用性，可迁移应用于超分辨率重建、图像着色及去雾等其他图像转换场景。作为 PyTorch 版本的实现，DeblurGAN 提供了完整的训练与测试代码，方便用户基于自有数据进行模型微调或直接部署使用，是探索盲运动去模糊技术的优秀参考项目。","# DeblurGAN\n[arXiv Paper Version](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1711.07064.pdf)\n\nPytorch implementation of the paper DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks.\n\nOur network takes blurry image as an input and procude the corresponding sharp estimate, as in the example:\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKupynOrest_DeblurGAN_readme_d07dabccd12d.gif\" width=\"400px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKupynOrest_DeblurGAN_readme_a9bd735cec2b.gif\" width=\"400px\"\u002F>\n\n\nThe model we use is Conditional Wasserstein GAN with Gradient Penalty + Perceptual loss based on VGG-19 activations. Such architecture also gives good results on other image-to-image translation problems (super resolution, colorization, inpainting, dehazing etc.)\n\n## How to run\n\n### Prerequisites\n- NVIDIA GPU + CUDA CuDNN (CPU untested, feedback appreciated)\n- Pytorch\n\nDownload weights from [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1liKzdjMRHZ-i5MWhC72EL7UZLNPj5_8Y\u002Fview?usp=sharing) . Note that during the inference you need to keep only Generator weights.\n\nPut the weights into \n```bash\n\u002F.checkpoints\u002Fexperiment_name\n```\nTo test a model put your blurry images into a folder and run:\n```bash\npython test.py --dataroot \u002F.path_to_your_data --model test --dataset_mode single --learn_residual\n```\n## Data\nDownload dataset for Object Detection benchmark from [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CPMBmRj-jBDO2ax4CxkBs9iczIFrs8VA\u002Fview?usp=sharing)\n\n## Train\n\nIf you want to train the model on your data run the following command to create image pairs:\n```bash\npython datasets\u002Fcombine_A_and_B.py --fold_A \u002Fpath\u002Fto\u002Fdata\u002FA --fold_B \u002Fpath\u002Fto\u002Fdata\u002FB --fold_AB \u002Fpath\u002Fto\u002Fdata\n```\nAnd then the following command to train the model\n\n```bash\npython train.py --dataroot \u002F.path_to_your_data --learn_residual --resize_or_crop crop --fineSize CROP_SIZE (we used 256)\n```\n\n## Other Implementations\n\n[Keras Blog](https:\u002F\u002Fblog.sicara.com\u002Fkeras-generative-adversarial-networks-image-deblurring-45e3ab6977b5)\n\n[Keras Repository](https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan)\n\n\n\n## Citation\n\nIf you find our code helpful in your research or work please cite our paper.\n\n```\n@article{DeblurGAN,\n  title = {DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks},\n  author = {Kupyn, Orest and Budzan, Volodymyr and Mykhailych, Mykola and Mishkin, Dmytro and Matas, Jiri},\n  journal = {ArXiv e-prints},\n  eprint = {1711.07064},\n  year = 2017\n}\n```\n\n## Acknowledgments\nCode borrows heavily from [pix2pix](https:\u002F\u002Fgithub.com\u002Fjunyanz\u002Fpytorch-CycleGAN-and-pix2pix). The images were taken from GoPRO test dataset - [DeepDeblur](https:\u002F\u002Fgithub.com\u002FSeungjunNah\u002FDeepDeblur_release)\n\n\n","# DeblurGAN\n[arXiv 论文版本](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1711.07064.pdf)\n\n这是论文《DeblurGAN：使用条件对抗网络进行盲运动去模糊》的 PyTorch 实现。\n\n我们的网络以模糊图像作为输入，生成对应的清晰估计结果，如下例所示：\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKupynOrest_DeblurGAN_readme_d07dabccd12d.gif\" width=\"400px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKupynOrest_DeblurGAN_readme_a9bd735cec2b.gif\" width=\"400px\"\u002F>\n\n\n我们使用的模型是带有梯度惩罚的条件 Wasserstein GAN，并结合基于 VGG-19 激活值的感知损失。这种架构在其他图像到图像的转换任务中（如超分辨率、彩色化、修复、去雾等）也取得了不错的效果。\n\n## 如何运行\n\n### 前置条件\n- NVIDIA GPU + CUDA CuDNN（尚未测试 CPU 版本，欢迎反馈）\n- PyTorch\n\n从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1liKzdjMRHZ-i5MWhC72EL7UZLNPj5_8Y\u002Fview?usp=sharing) 下载权重文件。请注意，在推理过程中只需保留生成器的权重。\n\n将权重文件放置于以下路径：\n```bash\n\u002F.checkpoints\u002Fexperiment_name\n```\n要测试模型，请将模糊图像放入一个文件夹中，然后运行：\n```bash\npython test.py --dataroot \u002F.path_to_your_data --model test --dataset_mode single --learn_residual\n```\n\n## 数据集\n从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CPMBmRj-jBDO2ax4CxkBs9iczIFrs8VA\u002Fview?usp=sharing) 下载用于目标检测基准测试的数据集。\n\n## 训练\n\n如果您想用自己的数据训练模型，请运行以下命令来创建图像对：\n```bash\npython datasets\u002Fcombine_A_and_B.py --fold_A \u002Fpath\u002Fto\u002Fdata\u002FA --fold_B \u002Fpath\u002Fto\u002Fdata\u002FB --fold_AB \u002Fpath\u002Fto\u002Fdata\n```\n然后运行以下命令来训练模型：\n\n```bash\npython train.py --dataroot \u002F.path_to_your_data --learn_residual --resize_or_crop crop --fineSize CROP_SIZE（我们使用了 256）\n```\n\n## 其他实现\n\n[Keras 博客](https:\u002F\u002Fblog.sicara.com\u002Fkeras-generative-adversarial-networks-image-deblurring-45e3ab6977b5)\n\n[Keras 仓库](https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan)\n\n\n\n## 引用\n\n如果您在研究或工作中觉得我们的代码有所帮助，请引用我们的论文。\n\n```\n@article{DeblurGAN,\n  title = {DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks},\n  author = {Kupyn, Orest and Budzan, Volodymyr and Mykhailych, Mykola and Mishkin, Dmytro and Matas, Jiri},\n  journal = {ArXiv e-prints},\n  eprint = {1711.07064},\n  year = 2017\n}\n```\n\n## 致谢\n代码大量借鉴了 [pix2pix](https:\u002F\u002Fgithub.com\u002Fjunyanz\u002Fpytorch-CycleGAN-and-pix2pix)。所使用的图像来自 GoPro 测试数据集——[DeepDeblur](https:\u002F\u002Fgithub.com\u002FSeungjunNah\u002FDeepDeblur_release)。","# DeblurGAN 快速上手指南\n\nDeblurGAN 是一个基于条件对抗网络（Conditional Adversarial Networks）的盲运动去模糊工具。它能够将模糊图像还原为清晰图像，同时也适用于超分辨率、上色、图像修复等其他图像转换任务。\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 或 macOS (Windows 需自行配置 CUDA 环境)\n*   **硬件**: NVIDIA GPU + CUDA + CuDNN (CPU 版本未经过测试，不推荐使用)\n*   **软件依赖**:\n    *   Python 3.x\n    *   PyTorch\n\n建议通过国内镜像源安装 PyTorch 以加速下载：\n```bash\npip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1.  **克隆代码库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN.git\n    cd DeblurGAN\n    ```\n\n2.  **下载预训练模型权重**\n    从 Google Drive 下载权重文件（若下载缓慢，可尝试使用第三方下载工具或寻找国内搬运资源）：\n    [下载链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1liKzdjMRHZ-i5MWhC72EL7UZLNPj5_8Y\u002Fview?usp=sharing)\n\n    > **注意**：推理（测试）时仅需保留 **Generator** 的权重文件。\n\n3.  **配置权重路径**\n    将下载的权重文件放入项目目录下的指定文件夹中：\n    ```bash\n    mkdir -p .checkpoints\u002Fexperiment_name\n    # 将权重文件移动至上述目录\n    mv \u003Cdownloaded_weight_file> .checkpoints\u002Fexperiment_name\u002F\n    ```\n\n## 基本使用\n\n### 1. 准备测试数据\n将您需要去模糊的图片放入一个文件夹中（例如 `.\u002Fmy_blurry_images`）。\n\n### 2. 运行去模糊\n执行以下命令进行推理。程序会自动读取文件夹中的图片并生成清晰结果：\n\n```bash\npython test.py --dataroot .\u002Fmy_blurry_images --model test --dataset_mode single --learn_residual\n```\n\n*   `--dataroot`: 指向包含模糊图像的文件夹路径。\n*   生成的清晰图像通常默认保存在 `results` 目录下。\n\n### （可选）训练自己的模型\n如果您拥有成对的“模糊 - 清晰”图像数据并希望重新训练模型：\n\n1.  **构建数据集**（假设模糊图在文件夹 A，清晰图在文件夹 B）：\n    ```bash\n    python datasets\u002Fcombine_A_and_B.py --fold_A \u002Fpath\u002Fto\u002Fdata\u002FA --fold_B \u002Fpath\u002Fto\u002Fdata\u002FB --fold_AB \u002Fpath\u002Fto\u002Fdata\n    ```\n\n2.  **开始训练**：\n    ```bash\n    python train.py --dataroot \u002Fpath\u002Fto\u002Fdata --learn_residual --resize_or_crop crop --fineSize 256\n    ```","某交通监控团队在处理夜间抓拍的车辆违章证据时，常因车辆高速移动导致车牌和车身细节出现严重运动模糊。\n\n### 没有 DeblurGAN 时\n- 模糊图像无法被 OCR 系统准确识别，人工核对每张截图耗时极长，严重影响执法效率。\n- 传统锐化算法（如反卷积）在去模糊的同时会放大噪点，导致画面出现伪影，证据法律效力存疑。\n- 缺乏有效的批量预处理手段，遇到光线不足或快速运动的场景只能放弃部分关键帧数据。\n- 图像细节丢失严重，难以辨认车辆品牌、颜色等特征，增加了后续追踪嫌疑车辆的难度。\n\n### 使用 DeblurGAN 后\n- 利用条件生成对抗网络将模糊输入转化为清晰估计，车牌字符恢复清晰，OCR 识别率大幅提升。\n- 基于 VGG-19 的感知损失函数保留了自然的纹理细节，避免了传统方法产生的振铃效应和过度噪点。\n- 支持批量自动化处理，即使是低照度下的剧烈运动模糊，也能快速还原出可用于法律取证的高质量图像。\n- 成功恢复了车身标志、车灯结构等微小特征，为案件侦破提供了更丰富的视觉线索和可信依据。\n\nDeblurGAN 通过深度学习技术将原本不可用的模糊监控画面转化为高价值清晰证据，彻底解决了运动模糊导致的视觉分析瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKupynOrest_DeblurGAN_60f2b4cb.png","KupynOrest","Orest Kupyn","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKupynOrest_b9226bb6.jpg","DPhil student at Oxford focusing on generative models for computer vision and deep learning. Creator of DeblurGAN and other open-source CV tools",null,"Oxford","https:\u002F\u002Fgithub.com\u002FKupynOrest",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",72.1,{"name":85,"color":86,"percentage":87},"HTML","#e34c26",27.9,2633,531,"2026-04-01T19:48:47","NOASSERTION","未说明","必需 NVIDIA GPU (CPU 未经过测试)，需安装 CUDA 和 CuDNN，具体型号、显存大小及 CUDA 版本未说明",{"notes":95,"python":92,"dependencies":96},"CPU 环境未经过测试，作者欢迎相关反馈。推理时仅需加载生成器（Generator）权重。训练前需使用提供的脚本将模糊图像与清晰图像配对。代码主要基于 pix2pix 项目修改。",[97,98,99],"Pytorch","CUDA","CuDNN",[15,14,35],[102,103,104,105,106,107,108,109,110,111,112,113,114,115],"deep-learning","gan","deblurring","image-processing","image-manipulation","neural-network","convolutional-neural-networks","convolutional-networks","computer-vision","image-to-image-translation","blurry-images","pytorch","paper","pix2pix","2026-03-27T02:49:30.150509","2026-04-11T18:33:05.187510",[119,124,129,134,139,144,149],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},22754,"如何修复 'No module named dominate' 错误？","该错误是因为缺少必要的 Python 库。可以通过 Conda 安装缺失的依赖包来解决。请运行以下命令：\nconda install visdom dominate -c conda-forge\n安装完成后即可正常运行代码。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F25",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},22755,"运行 combine_A_and_B.py 时出现 'NotADirectoryError' 错误怎么办？","此错误通常是因为数据集文件夹结构不正确。你需要手动在文件夹 A 和文件夹 B 中分别建立 train、val 和 test 子文件夹，并将对应的图像放入其中。确保两个文件夹中的文件名一一对应。\n正确的目录结构示例：\nA\u002F\n  train\u002F\n  val\u002F\n  test\u002F\nB\u002F\n  train\u002F\n  val\u002F\n  test\u002F\n此外，建议在命令行中使用绝对路径而不是相对路径来避免此类问题。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F96",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},22756,"遇到 'TypeError: cuda() got an unexpected keyword argument device_id' 错误如何解决？","这是由于 PyTorch 版本更新导致参数名称变化引起的。旧版本使用 `device_id`，而新版本已弃用该参数。解决方法是修改代码 `models\u002Fnetworks.py`，将 `netG.cuda(device_id=gpu_ids[0])` 改为 `netG.to(device)` 或直接使用 `netG.cuda()`（如果只使用单卡）。建议参考项目最新的 Pull Request 或升级到兼容的代码版本。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F26",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},22757,"使用 WGAN-GP 作为判别器时出现 'Trying to backward through the graph a second time' 错误？","这是一个已知的代码逻辑问题，发生在计算梯度惩罚时重复反向传播。社区已经提供了修复方案。请参考并应用此 Pull Request 中的代码修改：https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fpull\u002F91 。主要修改是在第一次调用 backward() 时添加 `retain_graph=True` 参数，或者调整计算图的构建方式以避免重复释放缓冲区。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F56",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},22758,"生成的图像中出现网格效应（Grid Effect）该如何修复？","网格效应是该模型架构中常见的问题，通常由转置卷积层引起。在该项目的讨论中，作者指出这个问题没有得到完美的解决方式。建议尝试以下方法：\n1. 升级到作者发布的改进版本 'DeblurGAN-v2'，它在稳定性和生成质量上更好。\n2. 尝试调整生成器架构，例如使用轻量级架构或不同的上采样方法。\n3. 开启残差学习选项（--learn_residual），这有助于恢复更精细的纹理细节，可能减轻网格现象。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F41",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},22759,"dataset_mode 参数中的 unaligned, aligned, single 分别代表什么？","这些参数定义了数据集的加载模式：\n- aligned：用于成对的数据集（如模糊图和对应的清晰图），图像需要严格对齐，常用于监督学习。\n- unaligned：用于非成对的数据集，源域和目标域的图像不需要一一对应，常用于 CycleGAN 等无监督任务。\n- single：仅加载单一类型的图像，通常用于测试阶段或只需处理单张图像的场景。\n对于去模糊任务，通常使用 'aligned' 模式，因为需要模糊图像和清晰图像的一一对应关系。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F21",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},22760,"Dropbox 权重下载链接失效了，如何获取模型权重？","如果官方 Dropbox 链接失效，可以尝试以下方法：\n1. 检查 Issue #130 或其他相关讨论，看是否有用户分享了备用链接（如 Google Drive 或百度网盘）。\n2. 确保文件已完全下载，有时网络中断会导致文件损坏从而无法解压。\n3. 如果是压缩包，尝试在终端使用 `unzip` 命令手动解压，确认文件完整性。\n4. 联系项目维护者或在社区中请求重新上传权重文件。","https:\u002F\u002Fgithub.com\u002FKupynOrest\u002FDeblurGAN\u002Fissues\u002F119",[]]