[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-advimman--HiDT":3,"tool-advimman--HiDT":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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"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":113,"updated_at":114,"faqs":115,"releases":145},4400,"advimman\u002FHiDT","HiDT","Official repository for the paper \"High-Resolution Daytime Translation Without Domain Labels\" (CVPR2020, Oral)","HiDT 是一款专注于高分辨率图像风格迁移的开源工具，源自 CVPR 2020 的口头报告论文。它的核心能力是将白天的场景图像转换为其他光照条件（如黄昏或夜晚）或艺术风格，同时保持极高的输出清晰度和细节丰富度。\n\n传统风格迁移方法往往受限于分辨率，生成的图片容易模糊，且通常依赖成对的训练数据（即同一场景在不同风格下的照片），这在现实中很难获取。HiDT 巧妙解决了这两个痛点：它无需任何“域标签”或成对数据即可进行无监督学习，并引入了独特的增强生成器（G_enh）与全卷积模式，能够直接处理并输出高分辨率图像，避免了常见的伪影和细节丢失问题。\n\n这款工具非常适合计算机视觉研究人员、AI 开发者以及需要高质量图像合成的数字艺术家使用。对于研究者，它提供了复现前沿无监督学习算法的 PyTorch 代码；对于开发者和设计师，通过简单的命令行操作或 Google Colab 环境，即可快速将普通照片转化为电影级质感的画面，或用于大规模图像数据的增强处理。无论是学术探索还是创意创作，HiDT 都为高保真图像转换提供了高效可靠的解决方案。","# High-Resolution Daytime Translation Without Domain Labels\n\n### [Project Page](https:\u002F\u002Fadvimman.github.io\u002FHiDT\u002F) | [Video Explanation](https:\u002F\u002Fyoutu.be\u002FDALQYKt-GJc) | [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.08791) | [Appendix](https:\u002F\u002Fadvimman.github.io\u002FHiDT\u002Fpaper\u002FHigh-Resolution_Daytime_Translation_Without_Domain_Labels.pdf) | [TwoMinutePapers](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=EWKAgwgqXB4)\n\n[![Open HiDT in Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fadvimman\u002Fhidt\u002Fblob\u002Fmaster\u002Fnotebooks\u002FHighResolutionDaytimeTranslation.ipynb)\n\nOfficial PyTorch implementation (only inference part) for the paper I. Anokhin, P. Solovev, D. Korzhenkov, A. Kharlamov, T. Khakhulin, A. Silvestrov, S. Nikolenko, V. Lempitsky, and G. Sterkin. \"High-Resolution Daytime Translation Without Domain Labels.\" In 2020 IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR).\n![teaser image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fadvimman_HiDT_readme_a31f8ba1496a.jpg)\n\n## Installation\nMake sure that you use python >= 3.7. We have tested it with conda package manager. If you are new to conda, proceed to https:\u002F\u002Fdocs.conda.io\u002Fprojects\u002Fconda\u002Fen\u002Flatest\u002Fuser-guide\u002Finstall\u002Findex.html\n\n```\nconda create -n hidt python=3.7\nconda activate hidt\n```\n#### Clone the repo\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT.git\n```\n#### Install requirenments\n```\ncd HiDT\npip install -r requirements.txt\n```\n\n## Inference\nDaytime translation, upsampling with G\u003Csub>enh\u003C\u002Fsub>\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fdaytime\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fdaytime\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fdaytime.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fdaytime.pt \\\n    --enh-path .\u002Ftrained_models\u002Fenhancer\u002Fenhancer.pth \\\n    --enhancement generator\n```\nDaytime translation, generator in fully convolutional mode, no postprocessing\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fdaytime\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fdaytime\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fdaytime.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fdaytime.pt \\\n    --enhancement fullconv\n```\nModel, trained on wikiart, upsampling with G\u003Csub>enh\u003C\u002Fsub>\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fwikiart\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fwikiart\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fwikiart.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fwikiart.pt \\\n    --enh-path .\u002Ftrained_models\u002Fenhancer\u002Fenhancer.pth \\\n    --enhancement generator\n```\nModel, trained on wikiart, generator in fully convolutional mode, no postprocessing\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fwikiart\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fwikiart\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fwikiart.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fwikiart.pt \\\n    --enhancement fullconv\n```\n\n## Citation\nIf you found our work useful, please don't forget to cite\n```\n@inproceedings{Anokhin_2020_CVPR,\n  author = {Anokhin, Ivan and\n            Solovev, Pavel and\n            Korzhenkov, Denis and\n            Kharlamov, Alexey and\n            Khakhulin, Taras and\n            Silvestrov, Alexey and\n            Nikolenko, Sergey and\n            Lempitsky, Victor and\n            Sterkin, Gleb\n  },\n  title = {High-Resolution Daytime Translation Without Domain Labels},\n  booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},\n  month = {June},\n  year = {2020},\n}\n```\n","# 无领域标签的高分辨率白天场景转换\n\n### [项目页面](https:\u002F\u002Fadvimman.github.io\u002FHiDT\u002F) | [视频讲解](https:\u002F\u002Fyoutu.be\u002FDALQYKt-GJc) | [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.08791) | [附录](https:\u002F\u002Fadvimman.github.io\u002FHiDT\u002Fpaper\u002FHigh-Resolution_Daytime_Translation_Without_Domain_Labels.pdf) | [TwoMinutePapers](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=EWKAgwgqXB4)\n\n[![在 Colab 中打开 HiDT](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fadvimman\u002Fhidt\u002Fblob\u002Fmaster\u002Fnotebooks\u002FHighResolutionDaytimeTranslation.ipynb)\n\n本文的官方 PyTorch 实现（仅包含推理部分），作者为 I. Anokhin, P. Solovev, D. Korzhenkov, A. Kharlamov, T. Khakhulin, A. Silvestrov, S. Nikolenko, V. Lempitsky 和 G. Sterkin。论文题目为《无领域标签的高分辨率白天场景转换》，发表于 2020 年 IEEE\u002FCVF 计算机视觉与模式识别会议（CVPR）。\n![预告图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fadvimman_HiDT_readme_a31f8ba1496a.jpg)\n\n## 安装\n请确保使用 Python >= 3.7。我们已在 conda 包管理器环境下进行了测试。如果您是 conda 新手，请参阅：https:\u002F\u002Fdocs.conda.io\u002Fprojects\u002Fconda\u002Fen\u002Flatest\u002Fuser-guide\u002Finstall\u002Findex.html\n\n```\nconda create -n hidt python=3.7\nconda activate hidt\n```\n#### 克隆仓库\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT.git\n```\n#### 安装依赖\n```\ncd HiDT\npip install -r requirements.txt\n```\n\n## 推理\n白天场景转换，使用 G\u003Csub>enh\u003C\u002Fsub> 进行上采样：\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fdaytime\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fdaytime\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fdaytime.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fdaytime.pt \\\n    --enh-path .\u002Ftrained_models\u002Fenhancer\u002Fenhancer.pth \\\n    --enhancement generator\n```\n白天场景转换，生成器以全卷积模式运行，无需后处理：\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fdaytime\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fdaytime\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fdaytime.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fdaytime.pt \\\n    --enhancement fullconv\n```\n基于 WikiArt 数据集训练的模型，使用 G\u003Csub>enh\u003C\u002Fsub> 进行上采样：\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fwikiart\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fwikiart\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fwikiart.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fwikiart.pt \\\n    --enh-path .\u002Ftrained_models\u002Fenhancer\u002Fenhancer.pth \\\n    --enhancement generator\n```\n基于 WikiArt 数据集训练的模型，生成器以全卷积模式运行，无需后处理：\n```\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fwikiart\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fwikiart\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fwikiart.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fwikiart.pt \\\n    --enhancement fullconv\n```\n\n## 引用\n如果您认为我们的工作对您有所帮助，请别忘了引用：\n```\n@inproceedings{Anokhin_2020_CVPR,\n  author = {Anokhin, Ivan and\n            Solovev, Pavel and\n            Korzhenkov, Denis and\n            Kharlamov, Alexey and\n            Khakhulin, Taras and\n            Silvestrov, Alexey and\n            Nikolenko, Sergey and\n            Lempitsky, Victor and\n            Sterkin, Gleb\n  },\n  title = {High-Resolution Daytime Translation Without Domain Labels},\n  booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},\n  month = {June},\n  year = {2020},\n}\n```","# HiDT 快速上手指南\n\nHiDT (High-Resolution Daytime Translation) 是一个用于高分辨率日间图像风格迁移的开源项目，无需域标签即可实现从内容图到风格图的转换，并支持超分辨率增强。\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) 或 macOS\n- **Python 版本**: >= 3.7\n- **包管理器**: 推荐使用 `conda`\n- **硬件**: 需要 NVIDIA GPU 以加速推理（命令中需设置 `CUDA_VISIBLE_DEVICES`）\n\n## 安装步骤\n\n### 1. 创建并激活 Conda 环境\n```bash\nconda create -n hidt python=3.7\nconda activate hidt\n```\n\n### 2. 克隆代码仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT.git\ncd HiDT\n```\n\n### 3. 安装依赖\n建议使用国内镜像源（如清华源）加速安装：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：本项目仅提供推理部分的官方 PyTorch 实现。使用前请确保已从项目发布页或训练好的模型链接下载相应的 `.pt` 和 `.pth` 模型文件，并放置于 `.\u002Ftrained_models\u002F` 对应目录下。\n\n## 基本使用\n\n以下是最基础的日间场景风格迁移示例（使用生成器 + 增强器进行超分）。\n\n请准备好内容图片文件夹（`content`）和风格图片文件夹（`styles`），然后运行以下命令：\n\n```bash\nCUDA_VISIBLE_DEVICES=0 PYTHONPATH=$(pwd):${PYTHONPATH} \\\npython .\u002Fbin\u002Finfer_on_folders.py \\\n    --content-dir .\u002Fimages\u002Fdaytime\u002Fcontent\u002F \\\n    --style-dir .\u002Fimages\u002Fdaytime\u002Fstyles\u002F \\\n    --cfg-path .\u002Fconfigs\u002Fdaytime.yaml \\\n    --chk-path .\u002Ftrained_models\u002Fgenerator\u002Fdaytime.pt \\\n    --enh-path .\u002Ftrained_models\u002Fenhancer\u002Fenhancer.pth \\\n    --enhancement generator\n```\n\n**参数说明：**\n- `--content-dir`: 输入内容图像目录。\n- `--style-dir`: 参考风格图像目录。\n- `--cfg-path`: 配置文件路径（日间场景使用 `daytime.yaml`，艺术风格可使用 `wikiart.yaml`）。\n- `--chk-path`: 预训练生成器模型路径。\n- `--enh-path`: 预训练增强器模型路径（用于提升分辨率）。\n- `--enhancement`: 设置为 `generator` 表示启用超分增强；若仅需全卷积模式推理且无后处理，可改为 `fullconv` 并省略 `--enh-path` 参数。\n\n运行完成后，结果将保存在默认输出目录中。","某数字文旅公司需要将一批低分辨率的夜间景区监控素材，快速转化为高清日间宣传视频，以用于白天的户外大屏投放。\n\n### 没有 HiDT 时\n- **成图分辨率受限**：传统风格迁移模型在处理高分辨率图像时显存爆炸，只能将素材压缩至低分辨率处理，导致输出画面模糊，无法满足大屏展示需求。\n- **数据标注成本高昂**：现有方案通常依赖成对的“白天 - 黑夜”训练数据，而景区缺乏此类精准对齐的标注数据集，人工合成或采集成本极高。\n- **细节丢失严重**：直接放大低分结果会导致建筑纹理和自然景观边缘出现伪影或过度平滑，画面缺乏真实感。\n- **流程繁琐割裂**：需要分别使用风格迁移工具和超分工具串联处理，中间环节多，色彩一致性难以保证，调试耗时。\n\n### 使用 HiDT 后\n- **原生支持高分辨率**：HiDT 独有的增强生成器（G_enh）可直接处理高分辨率输入，输出清晰锐利的 4K 级日间图像，完美适配户外大屏。\n- **无需域标签训练**：利用无监督学习特性，直接使用未配对的夜间素材和通用日间图片库即可训练，省去了昂贵的数据标注环节。\n- **纹理细节逼真还原**：模型在转换光照风格的同时，能有效保持并增强山石、植被等高频细节，避免传统方法常见的模糊感。\n- **端到端高效流转**：单一步骤即可完成从“夜间低分”到“日间高清”的转换，统一了风格迁移与超分辨率任务，大幅缩短制作周期。\n\nHiDT 通过无监督的高分辨率翻译技术，让低成本、高质量地将夜间监控素材转化为日间宣传大片成为现实。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fadvimman_HiDT_a31f8ba1.jpg","advimman","Image Manipulation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fadvimman_978d60da.png","",null,"https:\u002F\u002Fgithub.com\u002Fadvimman",[79,83],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",98.6,{"name":84,"color":85,"percentage":86},"Python","#3572A5",1.4,651,87,"2026-04-02T16:56:28","BSD-3-Clause","Linux","需要 NVIDIA GPU (通过 CUDA_VISIBLE_DEVICES 环境变量调用)，具体型号和显存大小未说明，需支持 CUDA","未说明",{"notes":95,"python":96,"dependencies":97},"官方仅提供推理代码。建议使用 conda 创建 Python 3.7 环境。运行命令中使用了 Linux 特有的环境变量设置语法 (PYTHONPATH=$(pwd):${PYTHONPATH})，Windows 用户可能需要调整。项目包含白天场景转换和艺术风格迁移两种预训练模型。",">=3.7",[98,99],"torch","其他依赖见 requirements.txt",[14,15,35],[102,103,104,105,106,107,108,109,110,111,112],"gan","style-transfer","high-resolution","unsupervised-learning","deep-learning","image-to-image-translation","computational-photography","image-processing","image-generation","image-editing","generative-adversarial-network","2026-03-27T02:49:30.150509","2026-04-06T20:54:00.933245",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},20010,"你们会发布训练代码吗？","目前我们没有发布训练代码的计划。该功能具有商业性质，短期内不太可能公开。不过，您可以参考已发表的论文自行编写训练代码。仓库中目前已提供推理脚本和预训练权重。","https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT\u002Fissues\u002F7",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},20011,"如何获取训练数据集？","我们仅发布了两个数据集的推理脚本和预训练权重：1. 从 Flickr 收集的数据集，由于许可证问题将不会公开；2. WikiArt 数据集，这是开源的，您可以直接下载。收集的风景图像数据集因敏感性问题也不会共享。","https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT\u002Fissues\u002F3",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},20012,"为什么跳过连接（skip-connection）的维度（skip-dim）只设置为 5？","我们使用密集跳过连接（dense skip-connections），即将编码器的特征与解码器的特征进行拼接（concatenate），而不是简单的相加。因此，我们可以选择任意数量的通道作为跳过连接。实验发现，5 个通道已经足够，使用所有特征对于我们的模型来说是冗余的。","https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT\u002Fissues\u002F9",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},20013,"AdaIN 的实现中为什么使用常数作为 running_mean 和 running_var？输入特征没有被统计量归一化吗？","请注意，代码中的 `F.batch_norm` 始终在训练模式（training mode）下进行评估。在这种模式下，它会使用输入特征的统计量（均值和方差）进行归一化。`running_mean` 和 `running_var` 在此实现中只是虚拟变量（dummy variables），不起实际作用。","https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT\u002Fissues\u002F8",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},20014,"你们会发布数据及其对应的分割地图（segmentation maps）吗？","收集的风景图像数据集较为敏感，不会共享，因此也不会提供对应的分割地图。不过，WikiArt 数据集是公开的。此外，绘画作品通常不需要分割地图。","https:\u002F\u002Fgithub.com\u002Fadvimman\u002FHiDT\u002Fissues\u002F2",{"id":142,"question_zh":143,"answer_zh":144,"source_url":125},20015,"既然没有训练代码，我该如何开始训练网络？","由于训练代码未公开，您需要根据已发表的论文自行实现训练逻辑。目前仓库仅提供推理脚本和预训练权重（适用于 Flickr 收集数据集和 WikiArt 数据集），您可以利用这些资源进行推理测试或作为自行编写训练代码的参考。",[]]