[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-caoscott--SReC":3,"tool-caoscott--SReC":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":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":141},7713,"caoscott\u002FSReC","SReC","PyTorch Implementation of \"Lossless Image Compression through Super-Resolution\"","SReC 是一款基于 PyTorch 开发的开源图像压缩工具，其核心理念是将“无损图像压缩”转化为“超分辨率”问题来解决。传统压缩算法往往在压缩率与重建质量之间难以兼得，而 SReC 利用深度神经网络，先对图像进行下采样，再通过超分辨率技术精准还原细节，从而在确保图像数据完全无损的前提下，显著提升了压缩效率。在大型数据集测试中，它已达到了业界领先的压缩率水平，且运行时间符合实际应用需求。\n\n该项目的独特之处在于创新性地融合了超分辨率技术与熵编码模型，提供了从训练、压缩到解压的完整开源流程，并发布了针对 ImageNet64 和 Open Images 数据集的预训练权重，方便用户快速验证效果。\n\nSReC 主要面向人工智能研究人员、计算机视觉开发者以及对图像存储效率有极高要求的技术团队。对于希望探索神经压缩前沿算法的研究者，或需要处理海量高清图像数据的工程师而言，这是一个极具参考价值的工具。需要注意的是，由于涉及模型训练与命令行操作，它更适合具备一定深度学习基础和编程能力的专业用户，而非普通大众消费者。","# Lossless Image Compression through Super-Resolution  \u003Cbr>\n[Sheng Cao](https:\u002F\u002Fcaoscott.github.io\u002F),\n[Chao-Yuan Wu](https:\u002F\u002Fwww.cs.utexas.edu\u002F~cywu\u002F), \n[Philipp Krähenbühl](http:\u002F\u002Fwww.philkr.net\u002F).  \n## [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.02872) ## \n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaoscott_SReC_readme_8c69a7a89234.png\" \u002F>\n\u003C\u002Fdiv>\n\n## Citation\n```bibtex\n@article{cao2020lossless,\n  title={Lossless Image Compression through Super-Resolution},\n  author={Cao, Sheng and Wu, Chao-Yuan and and Kr{\\\"a}henb{\\\"u}hl, Philipp},\n  year={2020},\n  journal={arXiv preprint arXiv:2004.02872},\n}\n```\n\nIf you use our codebase, please consider also [citing L3C](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch#citation)\n\n## Overview\nThis is the official implementation of SReC in [PyTorch](http:\u002F\u002Fpytorch.org\u002F). \nSReC frames lossless compression as a super-resolution problem and applies neural networks to compress images. \nSReC can achieve state-of-the-art compression rates on large datasets with practical runtimes. \nTraining, compression, and decompression are fully supported and open-sourced.\n\n## Getting Started\nWe recommend the following steps for getting started.\n\n1. [Install the necessary dependencies](INSTALL.md)\n2. [Download the Open Images validation set](http:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fmentzerf\u002Fvalidation_sets_lossless\u002Fval_oi_500_r.tar.gz)\n3. [Run compression on Open Images validation set](#compressiondecompression) with [trained model weights](#model-weights)\n\n## Installation\nSee [here](INSTALL.md) for installation instructions.\n\n## Model Weights\nWe've released trained models for both [ImageNet64](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.08819) and [Open Images (PNG)](https:\u002F\u002Fstorage.googleapis.com\u002Fopenimages\u002Fweb\u002Findex.html). \nAll compression results are measured in bits per subpixel (bpsp).\n\n| Dataset | Bpsp | Model Weights |\n| ----------- | ---- | ---------------------- |\n| ImageNet64 | 4.29 | [models\u002Fimagenet64.pth](models\u002Fimagenet64.pth) |\n| Open Images | 2.70 | [models\u002Fopenimages.pth](models\u002Fopenimages.pth) |\n\n## Training\nTo run code, you need to be in top level directory.\n```\npython3 -um src.train \\\n  --train-path \"path to directory of training images\" \\\n  --train-file \"list of filenames of training images, one filename per line\" \\\n  --eval-path \"path to directory of eval images\" \\\n  --eval-file \"list of filenames of eval images, one filename per line\" \\\n  --plot \"directory to store model output\" \\\n  --batch \"batch size\"\n```\n\nThe training images must be organized in form of `train-path\u002Ffilename` from filename in train-file. Same thing applies to eval images.\n\nWe've included our training and eval files used for ImageNet64 and Open Images (PNG) in `datasets` directory. \n\nFor ImageNet64, we use a slightly different set of hyperparameters than Open Images hyperparameters, which are the default. To train ImageNet64 based on settings from our paper, run \n```\npython3 -um src.train \\\n  --train-path \"path to directory of training images\" \\\n  --train-file \"list of filenames of training images, one filename per line\" \\\n  --eval-path \"path to directory of eval images\" \\\n  --eval-file \"list of filenames of eval images, one filename per line\" \\\n  --plot \"directory to store model output\" \\\n  --batch \"batch size\" \\\n  --epochs 10 \\\n  --lr-epochs 1 \\\n  --crop 64\n```\n\nRun `python3 -um src.train --help` for a list of tunable hyperparameters.\n\n## Evaluation\nGiven a model checkpoint, this evaluates theoretical bits\u002Fsubpixel (bpsp) based on log-likelihood. The log-likelihood bpsp lower-bounds the actual compression bpsp.\n```\npython3 -um src.eval \\\n  --path \"path to directory of images\" \\\n  --file \"list of filenames of images, one filename per line\" \\\n  --load \"path to model weights\"\n```\n\n## Compression\u002FDecompression\n\nWith torchac installed, you can run compression\u002Fdecompression to convert any image into .srec files.\nThe following compresses a directory of images.\n```\npython3 -um src.encode \\\n  --path \"path to directory of images\" \\ \n  --file \"list of filenames of images, one filename per line\" \\\n  --save-path \"directory to save new .srec files\" \\\n  --load \"path to model weights\"\n```\nIf you want an accurate runtime, we recommend running python with `-O` flag to disable asserts.\nWe also include an optional `--decode` flag so that you can check if decompressing the .srec file gives the original image, as well as provide runtime for decoding.\n\nTo convert .srec files into PNG, you can run\n```\npython3 -um src.decode \\\n  --path \"path to directory of .srec images\" \\ \n  --file \"list of filenames of .srec images, one filename per line\" \\\n  --save-path \"directory to save png files\" \\\n  --load \"path to model weights\"\n```\n\n## Downloading ImageNet64\nYou can download ImageNet64 training and validation sets [here](http:\u002F\u002Fwww.image-net.org\u002Fsmall\u002Fdownload.php).\n\n## Preparing Open Images Dataset (PNG)\nWe use the same set of training and validation images of Open Images as [L3C](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch). \n\nFor **validation images**, you can [**download them here**](http:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fmentzerf\u002Fvalidation_sets_lossless\u002Fval_oi_500_r.tar.gz).\n\nFor **training images**, please clone the [L3C repo](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch\u002F) and run [script from here](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch#prepare-open-images-for-training)\n\nSee [this issue](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch\u002Fissues\u002F14) for differences between Open Images JPEG and Open Images PNG.\n\n## Acknowledgment\nThanks to [L3C](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch) for implementations of EDSR, logistic mixtures, and arithmetic coding.\nSpecial thanks to [Fabian Mentzer](https:\u002F\u002Fgithub.com\u002Ffab-jul) for letting us know about issues with the preprocessing script for Open Images JPEG and resolving them quickly.\n","# 通过超分辨率实现无损图像压缩  \u003Cbr>\n[曹晟](https:\u002F\u002Fcaoscott.github.io\u002F)，\n[吴超元](https:\u002F\u002Fwww.cs.utexas.edu\u002F~cywu\u002F)， \n[菲利普·克雷亨布尔](http:\u002F\u002Fwww.philkr.net\u002F)。  \n## [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.02872) ## \n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaoscott_SReC_readme_8c69a7a89234.png\" \u002F>\n\u003C\u002Fdiv>\n\n## 引用\n```bibtex\n@article{cao2020lossless,\n  title={Lossless Image Compression through Super-Resolution},\n  author={Cao, Sheng and Wu, Chao-Yuan and and Kr{\\\"a}henb{\\\"u}hl, Philipp},\n  year={2020},\n  journal={arXiv preprint arXiv:2004.02872},\n}\n```\n\n如果您使用我们的代码库，请考虑同时[引用 L3C](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch#citation)。\n\n## 概述\n这是 SReC 在 [PyTorch](http:\u002F\u002Fpytorch.org\u002F) 中的官方实现。\nSReC 将无损压缩问题建模为超分辨率任务，并利用神经网络对图像进行压缩。\nSReC 能够在大型数据集上实现最先进的压缩率，同时保持实际运行时间。\n训练、压缩和解压缩功能均已完整支持，并已开源。\n\n## 入门指南\n我们建议按照以下步骤开始使用。\n\n1. [安装必要的依赖项](INSTALL.md)\n2. [下载 Open Images 验证集](http:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fmentzerf\u002Fvalidation_sets_lossless\u002Fval_oi_500_r.tar.gz)\n3. [在 Open Images 验证集上运行压缩](#compressiondecompression) 并使用 [预训练模型权重](#model-weights)\n\n## 安装\n请参阅 [此处](INSTALL.md) 获取安装说明。\n\n## 模型权重\n我们发布了针对 [ImageNet64](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.08819) 和 [Open Images (PNG)](https:\u002F\u002Fstorage.googleapis.com\u002Fopenimages\u002Fweb\u002Findex.html) 的预训练模型。\n所有压缩结果均以每子像素位数 (bpsp) 表示。\n\n| 数据集 | Bpsp | 模型权重 |\n| ----------- | ---- | ---------------------- |\n| ImageNet64 | 4.29 | [models\u002Fimagenet64.pth](models\u002Fimagenet64.pth) |\n| Open Images | 2.70 | [models\u002Fopenimages.pth](models\u002Fopenimages.pth) |\n\n## 训练\n要运行代码，您需要位于项目根目录下。\n```\npython3 -um src.train \\\n  --train-path \"训练图像所在目录路径\" \\\n  --train-file \"训练图像文件名列表，每行一个文件名\" \\\n  --eval-path \"评估图像所在目录路径\" \\\n  --eval-file \"评估图像文件名列表，每行一个文件名\" \\\n  --plot \"存储模型输出的目录\" \\\n  --batch \"批大小\"\n```\n\n训练图像必须按照 `train-path\u002Ffilename` 的格式组织，其中 filename 来自 train-file。评估图像也需遵循相同规则。\n\n我们在 `datasets` 目录中包含了用于 ImageNet64 和 Open Images (PNG) 的训练及评估文件。\n\n对于 ImageNet64，我们使用与 Open Images 默认设置略有不同的超参数。若要基于论文中的设置训练 ImageNet64，请运行：\n```\npython3 -um src.train \\\n  --train-path \"训练图像所在目录路径\" \\\n  --train-file \"训练图像文件名列表，每行一个文件名\" \\\n  --eval-path \"评估图像所在目录路径\" \\\n  --eval-file \"评估图像文件名列表，每行一个文件名\" \\\n  --plot \"存储模型输出的目录\" \\\n  --batch \"批大小\" \\\n  --epochs 10 \\\n  --lr-epochs 1 \\\n  --crop 64\n```\n\n运行 `python3 -um src.train --help` 可查看所有可调超参数列表。\n\n## 评估\n给定一个模型检查点，此命令将根据对数似然计算理论上的每子像素位数 (bpsp)。该对数似然 bpsp 是实际压缩 bpsp 的下界。\n```\npython3 -um src.eval \\\n  --path \"图像所在目录路径\" \\\n  --file \"图像文件名列表，每行一个文件名\" \\\n  --load \"模型权重路径\"\n```\n\n## 压缩\u002F解压缩\n\n在安装 torchac 的前提下，您可以运行压缩\u002F解压缩操作，将任意图像转换为 .srec 文件。\n以下命令会压缩一个图像目录：\n```\npython3 -um src.encode \\\n  --path \"图像所在目录路径\" \\ \n  --file \"图像文件名列表，每行一个文件名\" \\\n  --save-path \"保存新 .srec 文件的目录\" \\\n  --load \"模型权重路径\"\n```\n\n若需准确测量运行时间，建议使用 `-O` 标志运行 Python 以禁用断言。\n\n我们还提供了一个可选的 `--decode` 标志，可用于验证解压缩后的 .srec 文件是否能还原原始图像，并获取解码所需的时间。\n\n要将 .srec 文件转换为 PNG，可以运行：\n```\npython3 -um src.decode \\\n  --path \"包含 .srec 图像的目录路径\" \\ \n  --file \"包含 .srec 图像文件名列表，每行一个文件名\" \\\n  --save-path \"保存 PNG 文件的目录\" \\\n  --load \"模型权重路径\"\n```\n\n## 下载 ImageNet64\n您可以从 [这里](http:\u002F\u002Fwww.image-net.org\u002Fsmall\u002Fdownload.php) 下载 ImageNet64 的训练和验证数据集。\n\n## 准备 Open Images 数据集 (PNG)\n我们使用的 Open Images 训练和验证图像与 [L3C](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch) 相同。\n\n对于 **验证图像**，您可以[在此处下载](http:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fmentzerf\u002Fvalidation_sets_lossless\u002Fval_oi_500_r.tar.gz)。\n\n对于 **训练图像**，请克隆 [L3C 仓库](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch\u002F)并运行[此处的脚本](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch#prepare-open-images-for-training)。\n\n有关 Open Images JPEG 与 Open Images PNG 之间区别的更多信息，请参阅 [此议题](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch\u002Fissues\u002F14)。\n\n## 致谢\n感谢 [L3C](https:\u002F\u002Fgithub.com\u002Ffab-jul\u002FL3C-PyTorch) 提供的 EDSR、逻辑混合分布以及算术编码的实现。\n特别感谢 [法比安·门策尔](https:\u002F\u002Fgithub.com\u002Ffab-jul) 指出并迅速解决了 Open Images JPEG 预处理脚本中存在的问题。","# SReC 快速上手指南\n\nSReC (Super-Resolution Compression) 是一个基于超分辨率技术的无损图像压缩工具。它将无损压缩建模为超分辨率问题，利用神经网络在大型数据集上实现领先的压缩率。\n\n## 环境准备\n\n*   **操作系统**: Linux (推荐) 或 macOS\n*   **Python**: Python 3.6+\n*   **核心框架**: PyTorch\n*   **关键依赖**: `torchac` (用于算术编码)\n*   **其他依赖**: 详见项目根目录下的 `INSTALL.md` 文件。\n\n> **提示**: 建议先阅读官方 `INSTALL.md` 获取完整的依赖列表。国内用户可使用清华或阿里镜像源加速 `pip` 和 `conda` 包的安装。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC.git\n    cd SReC\n    ```\n\n2.  **安装依赖**\n    请参照 `INSTALL.md` 安装基础环境。确保已安装 `torchac`：\n    ```bash\n    pip install torchac\n    # 如有需要，可指定国内源\n    # pip install torchac -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **下载预训练模型**\n    根据需求下载对应的模型权重（bits per subpixel, bpsp 越低越好）：\n\n    | 数据集 | 压缩率 (bpsp) | 下载命令 |\n    | :--- | :--- | :--- |\n    | ImageNet64 | 4.29 | `wget https:\u002F\u002Fraw.githubusercontent.com\u002Fcaoscott\u002FSReC\u002Fmain\u002Fmodels\u002Fimagenet64.pth -P models\u002F` |\n    | Open Images | 2.70 | `wget https:\u002F\u002Fraw.githubusercontent.com\u002Fcaoscott\u002FSReC\u002Fmain\u002Fmodels\u002Fopenimages.pth -P models\u002F` |\n\n    *(注：如果上述链接失效，请访问项目 GitHub  Releases 或原论文页面获取 `models\u002F*.pth` 文件)*\n\n4.  **准备测试数据 (可选)**\n    下载 Open Images 验证集进行快速测试：\n    ```bash\n    wget http:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fmentzerf\u002Fvalidation_sets_lossless\u002Fval_oi_500_r.tar.gz\n    tar -xzf val_oi_500_r.tar.gz\n    ```\n\n## 基本使用\n\n以下示例展示如何使用预训练模型对图像进行**压缩**和**解压**。假设你已下载 `openimages.pth` 模型并准备好了图像目录。\n\n### 1. 图像压缩 (Encode)\n将目录中的 PNG 图像压缩为 `.srec` 格式。\n\n```bash\npython3 -um src.encode \\\n  --path \"path\u002Fto\u002Fimage\u002Fdirectory\" \\\n  --file \"list_of_filenames.txt\" \\\n  --save-path \"path\u002Fto\u002Fsave\u002Fsrec\u002Ffiles\" \\\n  --load \"models\u002Fopenimages.pth\"\n```\n\n*   `--path`: 原始图像所在目录。\n*   `--file`: 包含待处理文件名的文本文件（每行一个文件名）。若处理目录下所有文件，可自行创建该列表或使用脚本生成。\n*   `--save-path`: 压缩后 `.srec` 文件的保存目录。\n*   `--load`: 预训练模型路径。\n\n> **性能提示**: 如需测试真实运行时间，建议添加 `-O` 标志禁用断言检查：\n> `python3 -O -um src.encode ...`\n\n### 2. 图像解压 (Decode)\n将 `.srec` 文件还原为 PNG 图像，并可验证是否与原件一致。\n\n```bash\npython3 -um src.decode \\\n  --path \"path\u002Fto\u002Fsrec\u002Fdirectory\" \\\n  --file \"list_of_srec_filenames.txt\" \\\n  --save-path \"path\u002Fto\u002Fsave\u002Fpng\u002Ffiles\" \\\n  --load \"models\u002Fopenimages.pth\"\n```\n\n*   `--path`: `.srec` 文件所在目录。\n*   `--save-path`: 解压后 PNG 图像的保存目录。\n\n### 3. 模型评估 (Evaluation)\n如果你只想评估模型在理论上的压缩率（基于对数似然计算 bpsp），而不生成文件：\n\n```bash\npython3 -um src.eval \\\n  --path \"path\u002Fto\u002Fimage\u002Fdirectory\" \\\n  --file \"list_of_filenames.txt\" \\\n  --load \"models\u002Fopenimages.pth\"\n```","某数字档案馆正在对海量高分辨率历史扫描文档进行云端迁移，需要在确保图像像素级无损的前提下，大幅降低存储成本和传输带宽。\n\n### 没有 SReC 时\n- **存储成本高昂**：传统无损格式（如 PNG）压缩率有限，PB 级档案数据导致云存储费用居高不下。\n- **传输效率低下**：大体积文件占用大量网络带宽，研究人员远程调阅高清原图时等待时间过长。\n- **画质与体积难以兼得**：若改用有损压缩（如 JPEG）虽能减小体积，但会丢失文档细节，不符合档案保存的“零失真”标准。\n- **通用算法瓶颈**：现有通用压缩工具无法针对特定类型的图像内容（如纹理复杂的古籍）进行优化，压缩潜力已触顶。\n\n### 使用 SReC 后\n- **突破压缩极限**：SReC 利用超分辨率技术重构图像，在 Open Images 数据集上将压缩率提升至 2.70 bpsp，显著优于传统方案，直接节省近半存储空间。\n- **加速数据流转**：生成的 `.srec` 文件体积极小，大幅缩短网络传输时间，让异地研究员能秒级加载高清档案。\n- **严格无损还原**：基于神经网络的编解码过程保证了解压后的图像与原始文件像素完全一致，完美满足档案级无损要求。\n- **自适应内容优化**：通过训练特定数据集模型，SReC 能更智能地处理文档中的复杂纹理和噪点，挖掘出传统算法无法触及的压缩空间。\n\nSReC 通过将无损压缩转化为超分辨率问题，成功打破了存储效率与图像保真度之间的传统权衡，为大规模视觉数据管理提供了新一代解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcaoscott_SReC_9ea2ee18.png","caoscott",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcaoscott_d4856d1f.png","I am a student at UT Austin.","https:\u002F\u002Fgithub.com\u002Fcaoscott",[78,82,86],{"name":79,"color":80,"percentage":81},"Python","#3572A5",84,{"name":83,"color":84,"percentage":85},"C++","#f34b7d",11.8,{"name":87,"color":88,"percentage":89},"Cuda","#3A4E3A",4.2,1054,92,"2026-04-07T15:41:49","MIT","未说明","需要 NVIDIA GPU (基于 PyTorch 和超分辨率神经网络特性推断，具体型号和显存未说明)",{"notes":97,"python":98,"dependencies":99},"该工具是 SReC 的官方 PyTorch 实现，用于通过超分辨率进行无损图像压缩。安装详细依赖请参考项目中的 INSTALL.md 文件。运行压缩\u002F解压缩时需要安装 torchac 库。建议在生产环境运行时使用 `-O` 标志禁用 assert 以获得准确的运行时间。训练和评估需要预先准备 ImageNet64 或 Open Images 数据集。","3.x (命令示例使用 python3，具体小版本未说明)",[100,101],"PyTorch","torchac",[14],[104,105,106,107],"lossless","compression","neural-network","pytorch","2026-03-27T02:49:30.150509","2026-04-17T22:32:16.705646",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},34517,"有没有从开始到完成图像压缩的设置视频教程？","作者目前没有时间制作视频教程。推荐用户直接参考项目仓库中的文档：请遵循 README 中的“入门步骤”（Getting Started）以及 INSTALL.md 文件中的“安装步骤”。如果在任何步骤中卡住，可以随时提交 Issue 寻求帮助。","https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC\u002Fissues\u002F4",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},34514,"如何在自定义数据集（如动漫图片）上测试 SReC 模型？","由于作者目前无暇提供直接支持，建议用户自行尝试。具体步骤是：首先按照 README 中的入门步骤操作，然后将原本使用的 Open Images 数据集替换为您自己的自定义数据集。如果在过程中遇到具体问题，可以进一步提问。","https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC\u002Fissues\u002F5",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},34515,"SReC 是否适合用于特定领域图像（如猫图片数据库）的压缩，甚至通过过拟合来提升性能？","是的，这个想法是可行的。论文中实际上已经提到了“数据集压缩”（dataset compression）的概念。对于存储大量特定领域的图像，针对该领域进行训练（即一定程度的过拟合）确实可能提升压缩性能，并且随着新图像加入可以持续训练模型。","https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC\u002Fissues\u002F11",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},34516,"如何将 SReC 与 JPEG-XL、AVIF、WebP 等其他高压缩格式进行性能对比？","这是一个有趣的实验方向，但作者目前没有时间亲自支持。建议用户在 Open Images 测试集上自行尝试对比。需要注意的是，测试集图像应该已经是清理过 JPEG 伪影的“干净”PNG 图像，以确保对比的公平性，因为 JPEG-XL 等在保留伪影方面表现较强。","https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC\u002Fissues\u002F6",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},34518,"从低分辨率版本恢复到无损超分辨率版本的延迟（耗时）是多少？","在 GTX 1060 显卡上测试 Open Images 数据集（图像尺寸大于 512x512）时，解压耗时约为每张图像 1.15 秒。实践中，运行时间随图像的高度和宽度呈线性扩展。关于不同超分辨率尺度的详细运行时分解，可以参考论文第 11 页（https:\u002F\u002Farxiv.org\u002Fpdf\u002F2004.02872.pdf）。如果有具体的使用场景，作者可以提供更针对性的建议。","https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC\u002Fissues\u002F2",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},34519,"SReC 模型理论上是否可以用于梅尔频谱图（mel spectrograms）的训练和音频压缩？","虽然该 Issue 提出了将模型应用于音频压缩（基于梅尔频谱图）的想法并询问可行性，但在提供的数据中，维护者和其他贡献者尚未对此给出明确的回复或确认。因此，目前无法从现有评论中得出确定的结论或具体的实施步骤。","https:\u002F\u002Fgithub.com\u002Fcaoscott\u002FSReC\u002Fissues\u002F21",[]]