[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-XingangPan--deep-generative-prior":3,"tool-XingangPan--deep-generative-prior":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":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":79,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":96,"env_deps":98,"category_tags":103,"github_topics":104,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":149},3030,"XingangPan\u002Fdeep-generative-prior","deep-generative-prior","Code for deep generative prior (ECCV2020 oral)","deep-generative-prior 是一个基于深度生成先验（Deep Generative Prior, DGP）的开源项目，源自 ECCV 2020 的口头报告论文。它巧妙地利用现成的生成对抗网络（如 BigGAN）中蕴含的图像先验知识，无需针对特定任务重新训练模型，即可灵活实现多种图像修复与编辑功能。\n\n该工具主要解决了传统图像处理方法在去噪、超分辨率、着色及图像修补等任务中依赖大量配对数据或特定模型训练的痛点。通过挖掘预训练 GAN 内部的学习能力，deep-generative-prior 能够在单张图像上直接进行高质量的重建与操控，甚至在缺乏完整参考信息的情况下也能生成自然逼真的细节。\n\n其核心技术亮点在于“利用学习到的先验辅助内部学习”，将通用生成模型的知识迁移到具体的下游任务中，展现了极强的泛化能力。该项目适合计算机视觉领域的研究人员、算法开发者以及对图像复原技术感兴趣的技术人员使用。使用者只需配置好 Python 和 PyTorch 环境，下载预训练模型，即可通过简单的脚本运行着色、修补等示例实验，快速验证效果或开展进一步研究。","## Deep Generative Prior (DGP)\n\n### Paper\n\nXingang Pan, Xiaohang Zhan, Bo Dai, Dahua Lin, Chen Change Loy, Ping Luo, \"[Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.13659)\", ECCV2020 (**Oral**)  \n\nVideo: https:\u002F\u002Fyoutu.be\u002Fp7ToqtwfVko\u003Cbr>\n\n### Demos\n\nDGP exploits the image prior of an off-the-shelf GAN for various image restoration and manipulation.\n\n**Image restoration**:\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_readme_0c8b5447e0f1.gif\", width=\"900\">\n\u003C\u002Fp>\n\n**Image manipulation**:\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_readme_3c04e9a12dbe.gif\", width=\"800\">\n\u003C\u002Fp>\n\nA **learned prior** helps **internal learning**:\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_readme_e27cb182217b.png\", width=\"900\">\n\u003C\u002Fp>\n\n### Requirements\n\n* python>=3.6\n* pytorch>=1.0.1\n* others\n\n    ```sh\n    pip install -r requirements.txt\n    ```\n\n### Get Started\n\nBefore start, please download the pretrained BigGAN at [Google drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1buQ2BtbnUhkh4PEPXOgdPuVo2iRK7gvI?usp=sharing) or [Baidu cloud](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F10GKkWt7kSClvhnEGQU4ckA) (password: uqtw), and put them to `pretrained` folder.\n\nExample1: run image colorization example:\n    \n    sh experiments\u002Fexamples\u002Frun_colorization.sh   \n\nThe results will be saved in `experiments\u002Fexamples\u002Fimages` and `experiments\u002Fexamples\u002Fimage_sheet`.\n\nExample2: process images with an image list:\n    \n    sh experiments\u002Fexamples\u002Frun_inpainting_list.sh   \n\nExample3: evaluate on 1k ImageNet validation images via distributed training based on [slurm](https:\u002F\u002Fslurm.schedmd.com\u002F):\n\n    # need to specifiy the root path of imagenet validate set in --root_dir\n    sh experiments\u002Fimagenet1k_128\u002Fcolorization\u002Ftrain_slurm.sh   \n\nNote:  \n\\- BigGAN needs a class condition as input. If no class condition is provided, it would be chosen from a set of random samples.  \n\\- The hyperparameters provided may not be optimal, feel free to tune them.  \n\n### Acknowledgement\n\nThe code of BigGAN is borrowed from [https:\u002F\u002Fgithub.com\u002Fajbrock\u002FBigGAN-PyTorch](https:\u002F\u002Fgithub.com\u002Fajbrock\u002FBigGAN-PyTorch).\n\n### Citation\n\n```  \n@inproceedings{pan2020dgp,\n    author = {Pan, Xingang and Zhan, Xiaohang and Dai, Bo and Lin, Dahua and Loy, Chen Change and Luo, Ping},\n    title = {Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation},\n    booktitle = {European Conference on Computer Vision (ECCV)},\n    year = {2020}\n}\n\n@ARTICLE{pan2020dgp_pami,\n    author={Pan, Xingang and Zhan, Xiaohang and Dai, Bo and Lin, Dahua and Loy, Chen Change and Luo, Ping},\n    journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, \n    title={Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation}, \n    year={2021},\n    volume={},\n    number={},\n    pages={1-1},\n    doi={10.1109\u002FTPAMI.2021.3115428}\n}\n```  \n","## 深度生成先验（DGP）\n\n### 论文\n\nXingang Pan, Xiaohang Zhan, Bo Dai, Dahua Lin, Chen Change Loy, Ping Luo, “[利用深度生成先验实现多功能图像修复与操控](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.13659)”, ECCV2020 (**口头报告**)  \n\n视频：https:\u002F\u002Fyoutu.be\u002Fp7ToqtwfVko\u003Cbr>\n\n### 演示\n\nDGP 利用现成 GAN 的图像先验，用于各种图像修复和操控。\n\n**图像修复**：\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_readme_0c8b5447e0f1.gif\", width=\"900\">\n\u003C\u002Fp>\n\n**图像操控**：\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_readme_3c04e9a12dbe.gif\", width=\"800\">\n\u003C\u002Fp>\n\n**学习得到的先验** 有助于 **内部学习**：\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_readme_e27cb182217b.png\", width=\"900\">\n\u003C\u002Fp>\n\n### 环境要求\n\n* python>=3.6\n* pytorch>=1.0.1\n* 其他依赖\n\n    ```sh\n    pip install -r requirements.txt\n    ```\n\n### 快速入门\n\n在开始之前，请从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1buQ2BtbnUhkh4PEPXOgdPuVo2iRK7gvI?usp=sharing) 或 [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F10GKkWt7kSClvhnEGQU4ckA)（提取码：uqtw）下载预训练的 BigGAN 模型，并将其放置到 `pretrained` 文件夹中。\n\n示例1：运行图像上色示例：\n    \n    sh experiments\u002Fexamples\u002Frun_colorization.sh   \n\n结果将保存在 `experiments\u002Fexamples\u002Fimages` 和 `experiments\u002Fexamples\u002Fimage_sheet` 中。\n\n示例2：使用图像列表处理图片：\n    \n    sh experiments\u002Fexamples\u002Frun_inpainting_list.sh   \n\n示例3：基于 [slurm](https:\u002F\u002Fslurm.schedmd.com\u002F) 的分布式训练，在 1000 张 ImageNet 验证集图像上进行评估：\n\n    # 需要在 --root_dir 中指定 ImageNet 验证集的根路径\n    sh experiments\u002Fimagenet1k_128\u002Fcolorization\u002Ftrain_slurm.sh   \n\n注意：  \n\\- BigGAN 需要一个类别条件作为输入。如果未提供类别条件，则会从一组随机样本中选择。  \n\\- 提供的超参数可能并非最优，您可以根据需要进行调整。  \n\n### 致谢\n\nBigGAN 的代码借用了 [https:\u002F\u002Fgithub.com\u002Fajbrock\u002FBigGAN-PyTorch](https:\u002F\u002Fgithub.com\u002Fajbrock\u002FBigGAN-PyTorch)。\n\n### 引用\n\n```  \n@inproceedings{pan2020dgp,\n    author = {Pan, Xingang and Zhan, Xiaohang and Dai, Bo and Lin, Dahua and Loy, Chen Change and Luo, Ping},\n    title = {Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation},\n    booktitle = {欧洲计算机视觉会议（ECCV）},\n    year = {2020}\n}\n\n@ARTICLE{pan2020dgp_pami,\n    author={Pan, Xingang and Zhan, Xiaohang and Dai, Bo and Lin, Dahua and Loy, Chen Change and Luo, Ping},\n    journal={IEEE模式分析与机器智能汇刊}, \n    title={Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation}, \n    year={2021},\n    volume={},\n    number={},\n    pages={1-1},\n    doi={10.1109\u002FTPAMI.2021.3115428}\n}\n```","# Deep Generative Prior (DGP) 快速上手指南\n\nDeep Generative Prior (DGP) 是一个利用预训练 GAN（如 BigGAN）的图像先验知识，进行多样化图像修复和编辑的工具。该项目发表于 ECCV 2020 (Oral)。\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 (推荐，特别是使用 Slurm 分布式训练时)\n*   **Python**: >= 3.6\n*   **PyTorch**: >= 1.0.1\n*   **其他依赖**: 需安装 `requirements.txt` 中列出的库\n\n## 安装步骤\n\n1.  **克隆代码库** (假设您已获取源码目录)\n2.  **安装 Python 依赖**\n    ```sh\n    pip install -r requirements.txt\n    ```\n    > **提示**: 国内用户建议使用清华或阿里镜像源加速安装：\n    > `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n3.  **下载预训练模型**\n    DGP 依赖预训练的 BigGAN 模型。请下载并将其放入项目根目录下的 `pretrained` 文件夹中。\n    \n    *   **Google Drive**: [下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1buQ2BtbnUhkh4PEPXOgdPuVo2iRK7gvI?usp=sharing)\n    *   **百度网盘 (推荐国内用户)**: [下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F10GKkWt7kSClvhnEGQU4ckA) (提取码：`uqtw`)\n\n    下载完成后，目录结构应包含 `pretrained\u002F` 文件夹及对应的模型文件。\n\n## 基本使用\n\n以下是最简单的使用示例，演示如何运行图像着色任务。\n\n### 示例 1：运行图像着色 (Image Colorization)\n\n执行以下脚本启动示例：\n\n```sh\nsh experiments\u002Fexamples\u002Frun_colorization.sh\n```\n\n**结果输出**：\n生成的图像将保存在以下目录：\n*   单张结果：`experiments\u002Fexamples\u002Fimages`\n*   结果汇总图：`experiments\u002Fexamples\u002Fimage_sheet`\n\n### 其他常用命令参考\n\n*   **批量处理图片列表 (如图像修复)**:\n    ```sh\n    sh experiments\u002Fexamples\u002Frun_inpainting_list.sh\n    ```\n\n*   **在 ImageNet 验证集上评估 (基于 Slurm 分布式训练)**:\n    ```sh\n    # 注意：需要在 --root_dir 参数中指定 ImageNet 验证集的根路径\n    sh experiments\u002Fimagenet1k_128\u002Fcolorization\u002Ftrain_slurm.sh\n    ```\n\n> **注意事项**：\n> *   BigGAN 需要类别条件 (class condition) 作为输入。如果未提供，系统将随机选择。\n> *   默认提供的超参数可能并非最优，建议根据具体任务数据进行微调。","一家数字档案馆正在抢救一批严重褪色且带有划痕的 20 世纪历史照片，需要在保留原始细节的同时自动还原色彩并修复破损。\n\n### 没有 deep-generative-prior 时\n- 传统修复算法往往依赖手工设计的规则，面对复杂缺失区域时，生成的纹理模糊不清，缺乏真实感。\n- 进行图像上色时，模型容易产生不符合物理常识的颜色（如绿色的天空或紫色的皮肤），需要人工逐帧修正。\n- 处理不同退化类型（如去噪、超分、补全）需要训练多个专用模型，流程繁琐且算力成本高昂。\n- 在缺乏成对训练数据（即没有原图作为参考）的情况下，监督学习方法完全无法生效，项目陷入停滞。\n\n### 使用 deep-generative-prior 后\n- 利用预训练 BigGAN 蕴含的深层生成先验，无需额外训练即可合成逼真的高频纹理，使修复后的照片细节自然锐利。\n- 通过内部学习机制引导生成过程，确保上色结果符合语义逻辑，大幅减少了后期人工校色的时间。\n- 单一框架即可灵活支持图像修复、上色、去噪等多种任务，显著简化了技术栈并提升了处理效率。\n- 即使在没有干净原图作为“标准答案”的极端条件下，也能仅凭退化图像自身完成高质量复原，激活了沉睡的历史影像数据。\n\ndeep-generative-prior 的核心价值在于将预训练生成模型的强大先验知识转化为通用的图像复原能力，让无监督的高质量修复成为现实。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXingangPan_deep-generative-prior_e27cb182.png","XingangPan","Xingang Pan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FXingangPan_9e619272.png","Assistant Professor at Nanyang Technological University",null,"Singapore","https:\u002F\u002Fxingangpan.github.io\u002F","https:\u002F\u002Fgithub.com\u002FXingangPan",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",91.3,{"name":89,"color":90,"percentage":91},"Shell","#89e051",8.7,519,70,"2026-04-02T10:45:24","MIT","未说明","必需（基于 PyTorch 和 BigGAN），具体型号和显存大小未说明，但运行大模型通常建议高性能 GPU",{"notes":99,"python":100,"dependencies":101},"其他依赖需通过 'pip install -r requirements.txt' 安装。使用前必须手动下载预训练的 BigGAN 模型（提供 Google Drive 和百度网盘链接）并放入 'pretrained' 文件夹。BigGAN 需要类别条件输入，若不提供则随机选择。支持基于 Slurm 的分布式训练评估。",">=3.6",[102],"pytorch>=1.0.1",[13,14],[105,106,107,108,109,110],"generative-adversarial-network","gan","deep-learning","image-restoration","image-manipulation","image-prior","2026-03-27T02:49:30.150509","2026-04-06T07:13:18.691617",[114,119,124,129,134,139,144],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},13962,"微调 BigGAN 生成器时，是否有必要将其设置为 eval() 模式？","是的，必须将生成器设置为 eval() 模式。如果不这样做，批归一化（BN）或实例归一化（IN）中的均值和方差参数将不准确，导致输出结果不合理。","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F8",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},13963,"处理单张图像的推理速度是多少？需要为每张图像单独微调模型吗？","是的，该方法需要对每张目标图像进行在线适配（即微调 BigGAN），这是深度图像先验（Deep Image Prior）和 SinGAN 等内部学习方法的共同特点。处理单张图像大约需要 1-2 分钟。","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},13964,"代码中计算的 NLL 损失（nll loss）有什么作用？论文中未提及。","NLL 损失的作用是防止潜在向量（latent vector）偏离高斯先验分布太远。虽然它对最终结果影响不大，但有助于保持分布的稳定性。作者表示会在论文中补充说明这一点。","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F2",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},13965,"无法复现论文中的图像重建结果（PSNR\u002FSSIM 较低），如何解决？","这通常是因为使用了旧版本的脚本或缺少关键参数。请确保在运行脚本时指定分辨率参数，例如添加 `resolution=128`。如果缺少该参数，默认会创建 256x256 的生成器，导致结果与论文不符。此外，需根据代码版本调整其他参数。","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F9",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},13966,"加载预训练模型 'D_256' 时报错，提示文件损坏或尺寸检查失败，怎么办？","这很可能是 PyTorch 版本兼容性问题。维护者测试发现，在 PyTorch 1.1 环境下该模型可以正常运行。如果您遇到此问题，请尝试确认您的 PyTorch 版本（建议使用 1.1），或者尝试下载其他变体模型（如 D_256_ch_64）作为替代方案。","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F5",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},13967,"是否有预训练的 512 分辨率 BigGAN 模型？如果没有，如何训练？","作者目前没有提供 512 分辨率的预训练模型。如果您需要训练此类模型，可以使用以下开源仓库进行训练：https:\u002F\u002Fgithub.com\u002Fajbrock\u002FBigGAN-PyTorch","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F11",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},13968,"该方法是否适用于人脸数据集（如 FFHQ）进行人脸编辑？","目前作者仅在 ImageNet 预训练的 BigGAN 上进行了实验。不过，作者认为该方法同样可以应用于在人脸数据集（如 FFHQ）上预训练的 StyleGAN 模型。","https:\u002F\u002Fgithub.com\u002FXingangPan\u002Fdeep-generative-prior\u002Fissues\u002F1",[]]