[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-RaphaelMeudec--deblur-gan":3,"tool-RaphaelMeudec--deblur-gan":64},[4,17,26,40,48,56],{"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},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。",107662,2,"2026-04-03T11:11:01",[13,14,15],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":23,"last_commit_at":32,"category_tags":33,"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",[14,34,35,36,15,37,38,13,39],"数据工具","视频","插件","其他","语言模型","音频",{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":10,"last_commit_at":46,"category_tags":47,"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",[15,14,13,38,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[38,14,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"status":16},2471,"tesseract","tesseract-ocr\u002Ftesseract","Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。\n\n在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。\n\nTesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中",73286,"2026-04-03T01:56:45",[13,14],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":79,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":79,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":147},3649,"RaphaelMeudec\u002Fdeblur-gan","deblur-gan","Keras implementation of \"DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks\"","deblur-gan 是一个基于 Keras 框架开发的开源项目，旨在利用条件生成对抗网络（Conditional GAN）技术，智能修复因物体快速移动或相机抖动导致的运动模糊照片。它核心解决了传统去模糊算法在处理复杂动态场景时效果不佳的难题，能够从完全模糊的输入图像中“盲”恢复出清晰、自然的细节，正如示例所示，它能将模糊画面还原为锐利影像。\n\n这款工具特别适合计算机视觉领域的研究人员、深度学习开发者以及需要处理高质量图像数据的专业人士使用。对于希望深入理解生成对抗网络在图像复原领域应用的学者，deblur-gan 提供了完整的训练、测试及推理代码，并支持著名的 GOPRO 数据集，便于复现论文结果或进行二次开发。虽然普通用户也可通过命令行尝试修复个人照片，但其主要优势在于为技术社群提供了一个灵活、可扩展的实验平台。\n\n其技术亮点在于采用了端到端的生成对抗架构，无需预先知道模糊核的具体参数即可实现高效去模糊。项目结构清晰，涵盖了从环境配置、数据整理到模型训练和单图推理的全流程脚本，让用户能快速上手体验前沿的图像增强技术。","# What is this repo ?\n\nThis repository is a Keras implementation of [Deblur GAN](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1711.07064.pdf). You can find a tutorial on how it works on [Medium](https:\u002F\u002Fblog.sicara.com\u002Fkeras-generative-adversarial-networks-image-deblurring-45e3ab6977b5). Below is a sample result (from left to right: sharp image, blurred image, deblurred image)\n\n![Sample results](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRaphaelMeudec_deblur-gan_readme_c7a971ba857d.png)\n\n# Installation\n\n```\nvirtualenv venv -p python3\n. venv\u002Fbin\u002Factivate\npip install -r requirements\u002Frequirements.txt\npip install -e .\n```\n\n# Dataset\n\nGet the [GOPRO dataset](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1H0PIXvJH4c40pk7ou6nAwoxuR4Qh_Sa2\u002Fview?usp=sharing), and extract it in the `deblur-gan` directory. The directory name should be `GOPRO_Large`.\n\nUse:\n```\npython scripts\u002Forganize_gopro_dataset.py --dir_in=GOPRO_Large --dir_out=images\n```\n\n\n# Training\n\n```\npython scripts\u002Ftrain.py --n_images=512 --batch_size=16 --log_dir \u002Fpath\u002Fto\u002Flog\u002Fdir\n```\n\nUse `python scripts\u002Ftrain.py --help` for all options\n\n# Testing\n\n```\npython scripts\u002Ftest.py\n```\n\nUse `python scripts\u002Ftest.py --help` for all options\n\n# Deblur your own image\n\n```\npython scripts\u002Fdeblur_image.py --weight_path=\u002Fpath\u002Fto\u002Fgenerator.h5 --input_dir=\u002Fpath\u002Fto\u002Fimage\u002Fdir --output_dir=\u002Fpath\u002Fto\u002Fdeblurred\u002Fdir\n```\n","# 这个仓库是做什么的？\n\n这个仓库是一个基于 Keras 的 [Deblur GAN](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1711.07064.pdf) 实现。你可以在 [Medium](https:\u002F\u002Fblog.sicara.com\u002Fkeras-generative-adversarial-networks-image-deblurring-45e3ab6977b5) 上找到关于其工作原理的教程。以下是示例结果（从左到右：清晰图像、模糊图像、去模糊后的图像）：\n\n![样本结果](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRaphaelMeudec_deblur-gan_readme_c7a971ba857d.png)\n\n# 安装\n\n```\nvirtualenv venv -p python3\n. venv\u002Fbin\u002Factivate\npip install -r requirements\u002Frequirements.txt\npip install -e .\n```\n\n# 数据集\n\n下载 [GOPRO 数据集](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1H0PIXvJH4c40pk7ou6nAwoxuR4Qh_Sa2\u002Fview?usp=sharing)，并将其解压到 `deblur-gan` 目录下。解压后的目录名应为 `GOPRO_Large`。\n\n运行以下命令：\n```\npython scripts\u002Forganize_gopro_dataset.py --dir_in=GOPRO_Large --dir_out=images\n```\n\n# 训练\n\n```\npython scripts\u002Ftrain.py --n_images=512 --batch_size=16 --log_dir \u002Fpath\u002Fto\u002Flog\u002Fdir\n```\n\n使用 `python scripts\u002Ftrain.py --help` 查看所有选项。\n\n# 测试\n\n```\npython scripts\u002Ftest.py\n```\n\n使用 `python scripts\u002Ftest.py --help` 查看所有选项。\n\n# 对自己的图像进行去模糊处理\n\n```\npython scripts\u002Fdeblur_image.py --weight_path=\u002Fpath\u002Fto\u002Fgenerator.h5 --input_dir=\u002Fpath\u002Fto\u002Fimage\u002Fdir --output_dir=\u002Fpath\u002Fto\u002Fdeblurred\u002Fdir\n```","# Deblur-GAN 快速上手指南\n\nDeblur-GAN 是一个基于 Keras 实现的生成对抗网络（GAN），专门用于图像去模糊处理。本指南将帮助你快速搭建环境并运行模型。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL2）\n*   **Python 版本**：Python 3.6+\n*   **硬件建议**：推荐使用 NVIDIA GPU 以加速训练和推理过程（需安装对应的 CUDA 和 cuDNN）\n*   **前置依赖**：已安装 `virtualenv` 或 `venv` 模块\n\n## 安装步骤\n\n1.  **克隆项目并创建虚拟环境**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FKupynOrest\u002Fdeblur-gan.git\n    cd deblur-gan\n    virtualenv venv -p python3\n    source venv\u002Fbin\u002Factivate\n    ```\n\n2.  **安装依赖包**\n    为了获得更快的下载速度，建议先配置 pip 使用国内镜像源（如阿里云或清华源），然后安装依赖：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -r requirements\u002Frequirements.txt\n    pip install -e .\n    ```\n\n## 基本使用\n\n### 1. 准备数据集（可选，仅用于训练）\n如果你需要重新训练模型，请下载 [GOPRO 数据集](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1H0PIXvJH4c40pk7ou6nAwoxuR4Qh_Sa2\u002Fview?usp=sharing) 并解压到项目根目录，文件夹重命名为 `GOPRO_Large`。然后运行以下脚本整理数据：\n```bash\npython scripts\u002Forganize_gopro_dataset.py --dir_in=GOPRO_Large --dir_out=images\n```\n\n### 2. 训练模型（可选）\n使用以下命令开始训练（可根据显存大小调整 `batch_size`）：\n```bash\npython scripts\u002Ftrain.py --n_images=512 --batch_size=16 --log_dir .\u002Flogs\n```\n查看完整训练参数帮助：\n```bash\npython scripts\u002Ftrain.py --help\n```\n\n### 3. 对自有图像进行去模糊（核心功能）\n这是最常用的场景。你需要预先训练好的权重文件（`generator.h5`）。如果没有，可从官方 Release 或相关资源站下载。\n\n执行去模糊命令：\n```bash\npython scripts\u002Fdeblur_image.py --weight_path=\u002Fpath\u002Fto\u002Fgenerator.h5 --input_dir=\u002Fpath\u002Fto\u002Fimage\u002Fdir --output_dir=\u002Fpath\u002Fto\u002Fdeblurred\u002Fdir\n```\n\n*   `--weight_path`: 预训练模型权重文件路径。\n*   `--input_dir`: 包含待处理模糊图像的文件夹路径。\n*   `--output_dir`: 去模糊后图像的保存路径。\n\n查看测试脚本更多选项：\n```bash\npython scripts\u002Ftest.py --help\n```","某交通监控团队需要从夜间抓拍的运动模糊车牌图像中提取关键信息，以协助案件侦破。\n\n### 没有 deblur-gan 时\n- 人工逐帧筛选清晰图片效率极低，面对数千张模糊截图往往需要耗费数天时间。\n- 传统锐化滤镜不仅无法还原被运动模糊掩盖的细节，反而会放大噪点，导致车牌字符更加难以辨认。\n- 由于图像质量不达标，现有的 OCR（光学字符识别）系统识别率接近于零，必须依赖人工肉眼猜测。\n- 缺乏自动化处理流程，每次新批次数据到来都需要重复繁琐的手动预处理工作。\n\n### 使用 deblur-gan 后\n- 利用 deblur-gan 的批量推理脚本，可在几分钟内自动将数千张模糊图像还原为清晰版本，大幅缩短预处理周期。\n- 基于条件对抗生成网络的技术特性，deblur-gan 能智能“脑补”并重建丢失的纹理细节，显著优于传统算法的去模糊效果。\n- 经过去模糊处理后的高清图像使 OCR 系统识别准确率从不足 10% 提升至 90% 以上，直接输出可读车牌号。\n- 通过简单的命令行参数即可部署自定义模型，轻松集成到现有的监控数据分析流水线中，实现全自动化运行。\n\ndeblur-gan 通过将低质量的运动模糊图像转化为高可用数据，彻底解决了动态场景下视觉信息丢失的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRaphaelMeudec_deblur-gan_be80c7fa.png","RaphaelMeudec","Raphael Meudec","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRaphaelMeudec_5db59c7f.png","PhD candidate @Parietal-INRIA",null,"Paris, France","raphaelmeudec@gmail.com","raphaelmeudec","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,600,248,"2026-02-25T09:18:54","Linux, macOS, Windows","未说明（基于 Keras\u002FTensorFlow 实现，通常训练阶段推荐 NVIDIA GPU，具体型号和显存取决于数据集大小和 batch_size）","未说明（建议 16GB+ 以处理 GOPRO_Large 数据集和批量训练）",{"notes":96,"python":97,"dependencies":98},"该项目是 Deblur GAN 的 Keras 实现。需要手动下载 GOPRO 数据集并运行脚本整理数据。训练命令中示例 batch_size 为 16，图片数量为 512，实际资源消耗视具体配置而定。使用前需激活虚拟环境并安装 requirements.txt 中的依赖。","3.x (README 提及 python3，未指定具体小版本)",[99,100,101,102],"Keras","TensorFlow","virtualenv","pip",[14],[105,106,107,108],"keras","image-deblurring","generative-adversarial-networks","gan","2026-03-27T02:49:30.150509","2026-04-06T05:37:41.378108",[112,117,122,127,132,137,142],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},16720,"加载权重文件时出现 'ValueError: Dimension 0 in both shapes must be equal' 错误怎么办？","该错误是因为当前的生成器权重文件（generator.h5）与代码中的模型结构不匹配（通常是因为模型代码更新过但权重未更新）。解决方法有两种：\n1. 使用新模型重新训练以获得新的生成器权重文件。\n2. 回退到旧版本的模型代码，以便与作者提供的权重文件兼容。\n维护者已上传修复后的新权重文件，请尝试重新下载。","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F26",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},16721,"这个项目可以在 CPU 上运行和训练吗？","推理（测试）可以直接在 CPU 上运行，无需修改代码。但是，不建议在 CPU 上进行训练，原因如下：\n1. 内存限制：将所有图像和网络加载到内存中进行计算可能会超出内存容量。\n2. 时间成本：在 GPU 上训练大约需要 10-12 小时，而在 CPU 上可能需要数天甚至更久，效率极低。","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F14",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},16722,"安装说明中的 virtualenv 相关命令是什么意思？必须执行吗？","这些命令用于创建 Python 虚拟环境并安装项目依赖，目的是隔离项目环境以避免冲突。具体含义如下：\n- `virtualenv venv -p python3`: 创建一个名为 venv 的虚拟环境，指定使用 Python 3。\n- `.venv\u002Fbin\u002Factivate` (Windows 下为 `venv\\Scripts\\activate`): 激活虚拟环境。\n- `pip install -r requirements.txt`: 安装依赖列表中的包。\n虽然不是强制必须的（你可以选择在全局环境或其他工具如 pyenv 中安装），但强烈建议使用虚拟环境以保持系统整洁。","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F36",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},16723,"运行 test.py 时遇到 'FileNotFoundError' 找不到路径错误如何解决？","这通常是因为目录结构不符合脚本预期。脚本期望的目录结构是通过 `organize_gopro_dataset` 脚本生成的，包含 `images\u002Ftrain\u002F{A,B}` 和 `images\u002Ftest\u002F{A,B}` 子文件夹。\n解决方法：手动在 `images\u002Ftest` 文件夹下创建名为 `A` 和 `B` 的两个子文件夹，并将测试图片放入相应位置（通常模糊图放 A，清晰图放 B，或者根据脚本具体读取逻辑放置）。","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F7",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},16724,"去模糊结果中出现彩色的棋盘格状伪影（checkerboard artifacts）怎么办？","这是由于网络中的上采样操作导致的常见伪影。有用户反馈通过将网络中的层替换为 `UpSampling2D` 加上 `Conv2D` 的组合来消除这种棋盘格效应。此外，增加训练轮数（例如训练 200 epochs）也可能有助于改善结果平滑度。","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F9",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},16725,"训练过程中应该何时停止？如何判断模型已经足够好？","并没有一个绝对的损失值阈值来决定何时停止训练。判别器损失（d_loss）和生成器损失通常在训练过程中会有较大波动。建议的策略是：\n1. 训练一段较长时间（例如一整晚或数百个 epoch）。\n2. 定期保存权重，并通过视觉检查结果质量来确定最佳模型。\n3. 关注生成图像的清晰度提升情况，而不是单纯依赖损失数值。","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F5",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},16726,"如何将模型转换为 TFLite 格式时解决 'Unknown layer: ReflectionPadding2D' 错误？","在转换 Keras 模型到 TFLite 时，如果模型包含自定义层（如 ReflectionPadding2D），需要在加载模型和转换时显式注册该层。解决方案代码如下：\n1. 保存模型时设置 `include_optimizer=False`。\n2. 加载模型时传入 `custom_objects` 参数：\n   `model = tf.keras.models.load_model('path_to_model.h5', custom_objects={'ReflectionPadding2D': ReflectionPadding2D})`\n3. 创建转换器时直接使用加载后的 model 对象：\n   `converter = tf.lite.TFLiteConverter.from_keras_model(model)`","https:\u002F\u002Fgithub.com\u002FRaphaelMeudec\u002Fdeblur-gan\u002Fissues\u002F51",[]]