[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ThibaultGROUEIX--AtlasNet":3,"tool-ThibaultGROUEIX--AtlasNet":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",159267,2,"2026-04-17T11:29:14",[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":73,"owner_email":73,"owner_twitter":73,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":97,"env_deps":99,"category_tags":107,"github_topics":109,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":153},8580,"ThibaultGROUEIX\u002FAtlasNet","AtlasNet","This repository contains the source codes for the paper \"AtlasNet: A Papier-Mâché Approach to Learning 3D Surface Generation \". The network is able to synthesize a mesh (point cloud + connectivity) from a low-resolution point cloud, or from an image.","AtlasNet 是一款专注于三维表面生成的开源深度学习框架，其核心理念借鉴了“纸糊（Papier-Mâché）”工艺，通过将多个简单的二维参数化图块（如正方形或球面）变形并拼接，来构建复杂的三维网格模型。它主要解决了从低分辨率点云或单张二维图像直接重建高质量三维网格的难题，不仅输出点云坐标，还能自动推断点与点之间的连接关系，从而生成完整的拓扑结构。\n\n该工具特别适合计算机视觉领域的研究人员、图形学开发者以及从事三维重建算法探索的专业人士使用。对于希望深入理解基于学习的网格生成机制，或需要复现 CVPR 2018 经典论文成果的用户来说，AtlasNet 提供了完整的训练代码、预训练模型及详细的数据处理流程。\n\n其独特的技术亮点在于引入了可微分的表面表示方法，利用多片局部参数化曲面覆盖物体整体，有效避免了传统方法中拓扑结构固定的局限性。此外，项目支持多 GPU 加速训练，并集成了 Chamfer 距离、F-score 等多种量化评估指标，方便用户直观监控重建效果。虽然部署需要一定的 Python 和 PyTorch 基础，但其模块化的设计和清晰的文档为二次开发奠定了良好基础。","## AtlasNet [[Project Page]](http:\u002F\u002Fimagine.enpc.fr\u002F~groueixt\u002Fatlasnet\u002F) [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1802.05384) [[Talk]](http:\u002F\u002Fimagine.enpc.fr\u002F~groueixt\u002Fatlasnet\u002Fatlasnet_slides_spotlight_CVPR.pptx)\n\n**AtlasNet: A Papier-Mâché Approach to Learning 3D Surface Generation** \u003Cbr>\nThibault Groueix,  Matthew Fisher, Vladimir G. Kim , Bryan C. Russell, Mathieu Aubry  \u003Cbr>\nIn [CVPR, 2018](http:\u002F\u002Fcvpr2018.thecvf.com\u002F).\n\n:rocket: New branch : [AtlasNet + Shape Reconstruction by Learning Differentiable Surface Representations](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Ftree\u002Fjacobian_regularization)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_readme_fde5cf58810b.png\" alt=\"chair.png\" width=\"35%\" \u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_readme_0f2b63c4fa2b.gif\" alt=\"chair.gif\" width=\"32%\" \u002F>\n\n\n\n\n\n### Install\n\nThis implementation uses Python 3.6, [Pytorch](http:\u002F\u002Fpytorch.org\u002F), [Pymesh](https:\u002F\u002Fgithub.com\u002FPyMesh\u002FPyMesh), Cuda 10.1. \n```shell\n# Copy\u002FPaste the snippet in a terminal\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet.git\ncd AtlasNet \n\n#Dependencies\nconda create -n atlasnet python=3.6 --yes\nconda activate atlasnet\nconda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.1 -c pytorch --yes\npip install --user --requirement  requirements.txt # pip dependencies\n```\n\n\n\n##### Optional : Compile Chamfer (MIT) + Metro Distance (GPL3 Licence)\n```shell\n# Copy\u002FPaste the snippet in a terminal\npython auxiliary\u002FChamferDistancePytorch\u002Fchamfer3D\u002Fsetup.py install #MIT\ncd auxiliary\ngit clone https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002Fmetro_sources.git\ncd metro_sources; python setup.py --build # build metro distance #GPL3\ncd ..\u002F..\n```\n\n### A note on data.\n\nData download should be automatic. However, due to the new google drive traffic caps, you may have to download manually. If you run into an error running the demo,\nyou can refer to #61. \n\nYou can manually download the data from three sources (there are the same) :\n* Google drive : https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1If_-t0Aw9Zps-gj5ttgaMSTqRwYms9Ag?usp=sharing\n* Kaggle : https:\u002F\u002Fwww.kaggle.com\u002Fthibeix\u002Fatlasnet-data\n* NextCloud : https:\u002F\u002Fcloud.enpc.fr\u002Fs\u002Fz9TxRcxGgeYGDJ4\n\nPlease make sure to unzip the archives in the right places :\n\n```shell\ncd AtlasNet\nmkdir data\nunzip ShapeNetV1PointCloud.zip -d .\u002Fdata\u002F\nunzip ShapeNetV1Renderings.zip -d .\u002Fdata\u002F\nunzip metro_files.zip -d .\u002Fdata\u002F\nunzip trained_models.zip -d .\u002Ftraining\u002F\n```\n### Usage\n\n\n* **[Demo](.\u002Fdoc\u002Fdemo.md)** :    ```python train.py --demo```\n* **[Training](.\u002Fdoc\u002Ftraining.md)** :  ```python train.py --shapenet13```  *Monitor on  http:\u002F\u002Flocalhost:8890\u002F*\n* \u003Cdetails>\u003Csummary> Latest Refacto 12-2019  \u003C\u002Fsummary>\n  - [x] Factorize Single View Reconstruction and autoencoder in same class \u003Cbr>\n  - [x] Factorise Square and Sphere template in same class\u003Cbr>\n  - [x] Add latent vector as bias after first layer(30% speedup) \u003Cbr>\n  - [x] Remove last th in decoder \u003Cbr>\n  - [x] Make large .pth tensor with all pointclouds in cache(drop the nasty Chunk_reader) \u003Cbr>\n  - [x] Make-it multi-gpu \u003Cbr>\n  - [x] Add netvision visualization of the results \u003Cbr>\n  - [x] Rewrite main script object-oriented  \u003Cbr>\n  - [x] Check that everything works in latest pytorch version \u003Cbr>\n  - [x] Add more layer by default and flag for the number of layers and hidden neurons \u003Cbr>\n  - [x] Add a flag to generate a mesh directly \u003Cbr>\n  - [x] Add a python setup install \u003Cbr>\n  - [x] Make sure GPU are used at 100% \u003Cbr>\n  - [x] Add f-score in Chamfer + report f-score \u003Cbr>\n  - [x] Get rid of shapenet_v2 data and use v1! \u003Cbr>\n  - [x] Fix path issues no more sys.path.append \u003Cbr>\n  - [x] Preprocess shapenet 55 and add it in dataloader \u003Cbr>\n  - [x] Make minimal dependencies \u003Cbr>\n  \u003C\u002Fdetails>\n\n  \n\n### Quantitative Results \n\n\n| Method                 | Chamfer (*1) | Fscore (*2) | [Metro](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F34) (*3) | Total Train time (min) |\n| ---------------------- | ---- | ----   | ----- |-------     |\n| Autoencoder 25 Squares | 1.35 | 82.3%   | 6.82  | 731       |\n| Autoencoder 1 Sphere   | 1.35 | 83.3%   | 6.94  | 548    |\n| SingleView 25  Squares | 3.78 | 63.1% | 8.94 | 1422      |\n| SingleView 1 Sphere    | 3.76 | 64.4% |  9.01  | 1297      |\n\n\n  * (*1) x1000. Computed between 2500 ground truth points and 2500 reconstructed points. \n  * (*2) The threshold is 0.001\n  * (*3) x100. Metro is ran on unormalized point clouds (which explains a difference with the paper's numbers) \n\n\n### Related projects\n\n*  [Learning Elementary Structures](https:\u002F\u002Fgithub.com\u002FTheoDEPRELLE\u002FAtlasNetV2)\n*  [3D-CODED](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002F3D-CODED)\n*  [Cycle Consistent Deformations](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FCycleConsistentDeformation)\n\n\n\n\n\n### Citing this work\n\n```\n@inproceedings{groueix2018,\n          title={{AtlasNet: A Papier-M\\^ach\\'e Approach to Learning 3D Surface Generation}},\n          author={Groueix, Thibault and Fisher, Matthew and Kim, Vladimir G. and Russell, Bryan and Aubry, Mathieu},\n          booktitle={Proceedings IEEE Conf. on Computer Vision and Pattern Recognition (CVPR)},\n          year={2018}\n        }\n```\n\u003Cp align=\"center\">\n  \u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_readme_e339b8a26aa1.gif\">\n\u003C\u002Fp>\n","## AtlasNet [[项目页面]](http:\u002F\u002Fimagine.enpc.fr\u002F~groueixt\u002Fatlasnet\u002F) [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1802.05384) [[演讲]](http:\u002F\u002Fimagine.enpc.fr\u002F~groueixt\u002Fatlasnet\u002Fatlasnet_slides_spotlight_CVPR.pptx)\n\n**AtlasNet：一种基于纸浆工艺的学习三维表面生成方法** \u003Cbr>\n蒂博·格鲁埃、马修·费舍尔、弗拉基米尔·G·金、布莱恩·C·罗素、马蒂厄·奥布里  \u003Cbr>\n发表于 [CVPR, 2018](http:\u002F\u002Fcvpr2018.thecvf.com\u002F)。\n\n:rocket: 新分支：[AtlasNet + 基于可微分曲面表示学习的形状重建](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Ftree\u002Fjacobian_regularization)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_readme_fde5cf58810b.png\" alt=\"chair.png\" width=\"35%\" \u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_readme_0f2b63c4fa2b.gif\" alt=\"chair.gif\" width=\"32%\" \u002F>\n\n\n\n\n\n### 安装\n\n本实现使用 Python 3.6、[Pytorch](http:\u002F\u002Fpytorch.org\u002F)、[Pymesh](https:\u002F\u002Fgithub.com\u002FPyMesh\u002FPyMesh) 和 Cuda 10.1。\n```shell\n# 将代码片段复制粘贴到终端\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet.git\ncd AtlasNet \n\n#依赖项\nconda create -n atlasnet python=3.6 --yes\nconda activate atlasnet\nconda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.1 -c pytorch --yes\npip install --user --requirement  requirements.txt # pip依赖项\n```\n\n\n\n##### 可选：编译 Chamfer（MIT）+ Metro 距离（GPL3 许可证）\n```shell\n# 将代码片段复制粘贴到终端\npython auxiliary\u002FChamferDistancePytorch\u002Fchamfer3D\u002Fsetup.py install #MIT\ncd auxiliary\ngit clone https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002Fmetro_sources.git\ncd metro_sources; python setup.py --build # 构建 metro 距离 #GPL3\ncd ..\u002F..\n```\n\n### 关于数据的说明。\n\n数据下载应自动完成。然而，由于 Google Drive 的流量限制，您可能需要手动下载。如果在运行演示时遇到错误，可以参考 #61。\n\n您可以从三个来源手动下载数据（内容相同）：\n* Google Drive：https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1If_-t0Aw9Zps-gj5ttgaMSTqRwYms9Ag?usp=sharing\n* Kaggle：https:\u002F\u002Fwww.kaggle.com\u002Fthibeix\u002Fatlasnet-data\n* NextCloud：https:\u002F\u002Fcloud.enpc.fr\u002Fs\u002Fz9TxRcxGgeYGDJ4\n\n请确保将压缩包解压到正确的位置：\n\n```shell\ncd AtlasNet\nmkdir data\nunzip ShapeNetV1PointCloud.zip -d .\u002Fdata\u002F\nunzip ShapeNetV1Renderings.zip -d .\u002Fdata\u002F\nunzip metro_files.zip -d .\u002Fdata\u002F\nunzip trained_models.zip -d .\u002Ftraining\u002F\n```\n### 使用方法\n\n\n* **[演示](.\u002Fdoc\u002Fdemo.md)**： ```python train.py --demo```\n* **[训练](.\u002Fdoc\u002Ftraining.md)**： ```python train.py --shapenet13```  *监控地址：http:\u002F\u002Flocalhost:8890\u002F*\n* \u003Cdetails>\u003Csummary> 最新重构 12-2019  \u003C\u002Fsummary>\n  - [x] 将单视图重建和自编码器合并到同一类中\u003Cbr>\n  - [x] 将正方形和球形模板合并到同一类中\u003Cbr>\n  - [x] 在第一层后添加潜在向量作为偏置（速度提升 30%）\u003Cbr>\n  - [x] 移除解码器中的最后一个 th\u003Cbr>\n  - [x] 创建包含所有点云的大 .pth 张量缓存（移除繁琐的 Chunk_reader）\u003Cbr>\n  - [x] 实现多 GPU 支持\u003Cbr>\n  - [x] 添加 netvision 结果可视化功能\u003Cbr>\n  - [x] 重写主脚本为面向对象形式\u003Cbr>\n  - [x] 确保在最新版 PyTorch 中一切正常工作\u003Cbr>\n  - [x] 默认增加层数，并添加层数和隐藏神经元数量的标志位\u003Cbr>\n  - [x] 添加直接生成网格的标志位\u003Cbr>\n  - [x] 添加 Python 安装脚本\u003Cbr>\n  - [x] 确保 GPU 被 100% 利用\u003Cbr>\n  - [x] 在 Chamfer 中加入 F-score 并报告 F-score\u003Cbr>\n  - [x] 放弃 shapenet_v2 数据，改用 v1！\u003Cbr>\n  - [x] 解决路径问题，不再使用 sys.path.append\u003Cbr>\n  - [x] 预处理 shapenet 55 并将其加入数据加载器\u003Cbr>\n  - [x] 减少最小依赖项\u003Cbr>\n  \u003C\u002Fdetails>\n\n  \n\n### 定量结果 \n\n\n| 方法                 | Chamfer (*1) | Fscore (*2) | [Metro](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F34) (*3) | 总训练时间（分钟） |\n| ---------------------- | ---- | ----   | ----- |-------     |\n| 自编码器 25 正方形 | 1.35 | 82.3%   | 6.82  | 731       |\n| 自编码器 1 球形   | 1.35 | 83.3%   | 6.94  | 548    |\n| 单视图 25 正方形 | 3.78 | 63.1% | 8.94 | 1422      |\n| 单视图 1 球形    | 3.76 | 64.4% |  9.01  | 1297      |\n\n\n  * (*1) ×1000。计算基于 2500 个真实点和 2500 个重建点。\n  * (*2) 阈值为 0.001\n  * (*3) ×100。Metro 是在未归一化的点云上运行的（这解释了与论文数值的差异）。\n\n\n### 相关项目\n\n*  [学习基本结构](https:\u002F\u002Fgithub.com\u002FTheoDEPRELLE\u002FAtlasNetV2)\n*  [3D-CODED](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002F3D-CODED)\n*  [循环一致变形](https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FCycleConsistentDeformation)\n\n\n\n\n\n### 引用本工作\n\n```\n@inproceedings{groueix2018,\n          title={{AtlasNet: A Papier-M\\^ach\\'e Approach to Learning 3D Surface Generation}},\n          author={Groueix, Thibault and Fisher, Matthew and Kim, Vladimir G. and Russell, Bryan and Aubry, Mathieu},\n          booktitle={Proceedings IEEE Conf. on Computer Vision and Pattern Recognition (CVPR)},\n          year={2018}\n        }\n```\n\u003Cp align=\"center\">\n  \u003Cimg  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_readme_e339b8a26aa1.gif\">\n\u003C\u002Fp>","# AtlasNet 快速上手指南\n\nAtlasNet 是一个基于“折纸”理念学习 3D 表面生成的深度学习框架，发表于 CVPR 2018。它通过将多个参数化曲面（如正方形或球面）变形来拟合目标 3D 形状。\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*   **操作系统**: Linux (推荐)\n*   **Python**: 3.6\n*   **CUDA**: 10.1\n*   **PyTorch**: 1.7.1\n*   **其他依赖**: Pymesh, Git, Conda\n\n> **注意**：本项目对版本要求较为严格，建议严格按照下述步骤创建独立的 Conda 环境以避免冲突。\n\n## 安装步骤\n\n### 1. 克隆代码库\n使用 `--recurse-submodules` 参数以确保拉取所有必要的子模块。\n```shell\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet.git\ncd AtlasNet \n```\n\n### 2. 创建并激活 Conda 环境\n```shell\nconda create -n atlasnet python=3.6 --yes\nconda activate atlasnet\n```\n\n### 3. 安装核心依赖\n安装指定版本的 PyTorch、TorchVision 和 CUDA 工具包。\n```shell\nconda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.1 -c pytorch --yes\npip install --user --requirement  requirements.txt\n```\n\n### 4. (可选) 编译距离计算模块\n如果需要计算 Chamfer Distance 或 Metro Distance，需编译对应的 C++\u002FCUDA 扩展。\n```shell\n# 编译 Chamfer Distance (MIT 协议)\npython auxiliary\u002FChamferDistancePytorch\u002Fchamfer3D\u002Fsetup.py install\n\n# 编译 Metro Distance (GPL3 协议)\ncd auxiliary\ngit clone https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002Fmetro_sources.git\ncd metro_sources; python setup.py --build\ncd ..\u002F..\n```\n\n### 5. 数据与模型准备\n数据通常会自动下载，但受限于网络环境，建议手动下载并解压。\n\n**下载地址（任选其一）：**\n*   **Google Drive**: [链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1If_-t0Aw9Zps-gj5ttgaMSTqRwYms9Ag?usp=sharing)\n*   **Kaggle**: [链接](https:\u002F\u002Fwww.kaggle.com\u002Fthibeix\u002Fatlasnet-data)\n*   **NextCloud**: [链接](https:\u002F\u002Fcloud.enpc.fr\u002Fs\u002Fz9TxRcxGgeYGDJ4)\n\n**解压文件到指定目录：**\n```shell\ncd AtlasNet\nmkdir data\nunzip ShapeNetV1PointCloud.zip -d .\u002Fdata\u002F\nunzip ShapeNetV1Renderings.zip -d .\u002Fdata\u002F\nunzip metro_files.zip -d .\u002Fdata\u002F\nunzip trained_models.zip -d .\u002Ftraining\u002F\n```\n\n## 基本使用\n\n安装完成后，您可以运行以下命令进行快速测试或训练。\n\n### 运行演示 (Demo)\n运行预训练模型进行单视图重建或自编码演示：\n```shell\npython train.py --demo\n```\n\n### 开始训练\n使用 ShapeNet 13 类数据集开始训练模型。训练过程中可通过浏览器监控进度。\n```shell\npython train.py --shapenet13\n```\n*   **监控地址**: 打开浏览器访问 `http:\u002F\u002Flocalhost:8890\u002F` 查看实时可视化结果。\n\n### 生成网格模型\n在训练或测试脚本中，可以通过添加标志位直接生成网格文件（具体参数请参考 `doc\u002Ftraining.md` 或脚本帮助信息）。","某家具电商平台的 3D 可视化团队正致力于将海量二维商品目录图快速转化为可交互的 3D 模型，以增强用户的在线购物体验。\n\n### 没有 AtlasNet 时\n- **人工建模成本高昂**：美术设计师需手动为每把椅子或桌子构建网格，单件耗时数小时，难以应对成千上万的 SKU 更新需求。\n- **低分辨率数据浪费**：现有的激光扫描点云数据过于稀疏且缺乏连接信息，无法直接用于渲染，只能被搁置闲置。\n- **拓扑结构不一致**：不同设计师建立的模型面片分布混乱，导致后续进行批量材质映射或物理仿真时频繁报错。\n- **单视角重建困难**：仅凭一张商品正面照片，传统算法无法推断物体背面几何形状，导致生成的模型残缺不全。\n\n### 使用 AtlasNet 后\n- **自动化批量生成**：利用 AtlasNet 的“折纸”式表面生成能力，系统可直接从低分辨率点云或单张商品图中自动合成完整网格，效率提升百倍。\n- **智能补全几何细节**：神经网络基于学习到的形状先验，能精准推测并填补物体被遮挡部分的几何结构，输出包含点云与连接关系的完整模型。\n- **统一参数化模板**：通过预定义的方形或球形模板变形机制，所有生成模型拥有规范的拓扑结构，完美适配后续的自动化贴图流程。\n- **端到端快速部署**：团队只需运行 `python train.py --demo` 即可调用预训练模型，无需从零研发复杂的几何重建算法，大幅缩短上线周期。\n\nAtlasNet 通过将深度学习与参数化表面表示相结合，彻底解决了从稀疏数据到高质量 3D 网格的自动化生成难题，让大规模 3D 内容生产成为可能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FThibaultGROUEIX_AtlasNet_fde5cf58.png","ThibaultGROUEIX",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FThibaultGROUEIX_51cd10e6.jpg","also here : https:\u002F\u002Fbitbucket.org\u002FThibaultGROUEIX\u002F","Ecole des Ponts ParisTech","http:\u002F\u002Fimagine.enpc.fr\u002F~groueixt","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",96.5,{"name":85,"color":86,"percentage":87},"Shell","#89e051",2.3,{"name":89,"color":90,"percentage":91},"GLSL","#5686a5",1.2,725,120,"2026-04-11T09:31:31","MIT",4,"未说明","需要 NVIDIA GPU，CUDA 10.1",{"notes":100,"python":101,"dependencies":102},"可选组件 Chamfer Distance 和 Metro Distance 需要手动编译安装（分别遵循 MIT 和 GPL3 协议）。数据集下载可能因 Google Drive 流量限制而失败，需手动下载并解压到指定目录。项目支持多 GPU 训练。","3.6",[103,104,105,106],"pytorch==1.7.1","torchvision==0.8.2","cudatoolkit=10.1","Pymesh",[14,15,108],"其他",[110,111,112,113,114,115],"3d","3d-deep-learning","computer-vision","geometry-processing","cvpr2018","pytorch","2026-03-27T02:49:30.150509","2026-04-18T02:22:12.392963",[119,124,129,134,138,143,148],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},38433,"运行训练脚本时遇到 'RuntimeError: CUDA error: out of memory' 错误怎么办？","这通常是由于 PyTorch 版本兼容性问题导致的。尝试将 PyTorch 版本从 0.4.1 降级到 0.4.0。具体操作步骤如下：\n1. 执行命令：conda install pytorch=0.4.0 cuda90 -c pytorch\n2. 安装依赖：pip install pandas 和 pip install visdom\n3. 重新编译扩展模块：cd .\u002Fextension 然后运行 python setup.py install","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F33",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},38434,"如何生成指定数量（例如 16,384）的点云数据？","默认情况下，AtlasNet AE 会生成 25 个图块（patches）。若要生成特定点数的点云，只需在运行脚本时添加参数 --number_points_eval \u003C目标点数>（例如 --number_points_eval 16384）。脚本会自动处理每个图块的采样点数计算（即目标点数除以图块数量），无需手动计算。","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F42",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},38435,"启动 visdom server 后终端卡住无法输入命令，这是正常的吗？","是的，这是正常现象。visdom server 启动后会占用当前终端窗口并持续运行以提供可视化服务。您不需要在此窗口继续输入命令。请打开一个新的终端窗口或标签页来运行后续的训练或推理脚本。访问 http:\u002F\u002Flocalhost:8888 即可查看可视化结果。","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F30",{"id":135,"question_zh":136,"answer_zh":137,"source_url":133},38436,"使用自定义图像进行推理（demo）时结果异常或奇怪，可能是什么原因？","确保输入图像的背景完全是黑色（像素值严格为 0）。如果背景不是纯黑（例如有白色背景），会导致推理结果异常。正确的调用方式是：python inference\u002Fdemo.py --input YOUR_IMAGE。请检查并预处理您的输入图像，将其背景转换为纯黑色后再试。",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},38437,"下载 ShapeNet 数据集脚本失败，提示 zip 文件损坏或非有效压缩包，如何解决？","这通常是因为 Google Drive 的直接下载链接失效或需要确认验证。提供的 download_shapenet_pointclouds.sh 脚本中的 gdrive_download 函数可能无法正确处理最新的 Google Drive 下载机制。建议手动前往 ShapeNet 官网或项目文档提供的备用链接下载 'ShapeNetV1PointCloud.zip' 文件，并将其放置在 data 目录下，然后手动解压。","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F61",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},38438,"Chamfer Distance 计算中 torch.min() 和 tensor.min() 有什么区别？哪个更可靠？","两者在当前版本中功能相同，计算结果无差异。但维护者建议使用 torch.min(P, 1)，因为 tensor.min() 的输出行为在过去曾发生过变化，未来也有可能再次改变。使用 torch.min() 函数形式在长期维护中更稳定，不易受底层实现变更的影响。","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F26",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},38439,"训练后的重建结果看起来不正确或与真值差异较大，是代码错误吗？","这不一定是代码错误。首先确认您是否正确执行了训练和评估流程（先运行 train_AE_AtlasNet，再运行 run_AE_AtlasNet）。其次，检查可视化结果时注意坐标轴比例和视角。如果问题依然存在，可能是超参数设置、数据预处理或收敛轮数不足导致。可以尝试增加训练轮数（nepoch）或调整学习率。此外，确保使用的 PyTorch 版本与项目要求一致，版本不匹配也可能导致数值计算偏差。","https:\u002F\u002Fgithub.com\u002FThibaultGROUEIX\u002FAtlasNet\u002Fissues\u002F9",[154,158,162,167,172],{"id":155,"version":156,"summary_zh":73,"released_at":157},306650,"v3.0","2019-12-12T04:09:53",{"id":159,"version":160,"summary_zh":73,"released_at":161},306651,"V2.2","2019-12-09T12:53:25",{"id":163,"version":164,"summary_zh":165,"released_at":166},306652,"v2.1","-- 添加了跨项目共享的倒角子模块\n","2019-09-12T00:50:58",{"id":168,"version":169,"summary_zh":170,"released_at":171},306653,"v2.0","发布 Atlasnet v2：\n\n* 将语法升级至 PyTorch v2 和 Python 3.7，安装更加简便\n  * 移除 Variable\n  * '\u002F' 改为 '\u002F\u002F'\n  * .data[0] 改为 .item()\n  * transform.scale 改为 transform.Resize\n  * Visdom 曲线显示代码\n  * 优化导入的包\n* 增加论文发表后的优化\n  * 添加学习率衰减调度器\n* 提供两种 Chamfer 距离实现\n  * GPU 上的 PyTorch 代码（速度较慢、占用内存多，但实现简单）\n  * GPU 上基于 PyTorch v1 的自定义 CUDA 层（速度快、占用内存少）\n\n* 更新 README，并补充部分缺失的注释","2018-11-23T15:00:35",{"id":173,"version":174,"summary_zh":175,"released_at":176},306654,"v1.0","Atlasnet 代码首次发布。","2018-11-23T09:05:25"]