[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-carpedm20--simulated-unsupervised-tensorflow":3,"tool-carpedm20--simulated-unsupervised-tensorflow":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":77,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":134},9276,"carpedm20\u002Fsimulated-unsupervised-tensorflow","simulated-unsupervised-tensorflow","TensorFlow implementation of \"Learning from Simulated and Unsupervised Images through Adversarial Training\"","simulated-unsupervised-tensorflow 是一个基于 TensorFlow 实现的开源项目，复现了“通过对抗训练从模拟与无监督图像中学习”的前沿研究。它的核心目标是解决计算机视觉中真实标注数据稀缺且昂贵的难题：利用大量易获取的仿真图像（如 UnityEyes 生成的合成眼球数据），通过算法将其“提炼”为逼真效果，从而辅助模型在无真实标签的情况下进行高效训练。\n\n该项目特别适合人工智能研究人员、深度学习开发者以及需要处理小样本或合成数据场景的技术团队。其独特的技术亮点在于引入了“精炼器（Refiner）”与“判别器（Discriminator）”的对抗机制：精炼器负责保留仿真图中的关键标注信息（如视线方向）并提升真实感，而判别器则努力区分真假图像，两者博弈最终生成既逼真又保留原始标注的高质量数据。此外，项目提供了灵活的超参数调节选项（如 lambda 权重）及多种优化器（SGD、Adam）支持，并附带了详细的实验对比与可视化结果，帮助用户快速理解不同配置下的模型表现，是探索半监督学习与域适应技术的实用参考工具。","# Simulated+Unsupervised (S+U) Learning in TensorFlow\n\nTensorFlow implementation of [Learning from Simulated and Unsupervised Images through Adversarial Training](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.07828).\n\n![model](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_ff41243cf336.png)\n\n\n## Requirements\n\n- Python 2.7\n- [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) 0.12.1\n- [SciPy](http:\u002F\u002Fwww.scipy.org\u002Finstall.html)\n- [pillow](https:\u002F\u002Fgithub.com\u002Fpython-pillow\u002FPillow)\n- [tqdm](https:\u002F\u002Fgithub.com\u002Ftqdm\u002Ftqdm)\n\n## Usage\n\nTo generate synthetic dataset:\n\n1. Run [UnityEyes](http:\u002F\u002Fwww.cl.cam.ac.uk\u002Fresearch\u002Frainbow\u002Fprojects\u002Funityeyes\u002F) with changing `resolution` to `640x480` and `Camera parameters` to `[0, 0, 20, 40]`.\n2. Move generated images and json files into `data\u002Fgaze\u002FUnityEyes`.\n\nThe `data` directory should looks like:\n\n    data\n    ├── gaze\n    │   ├── MPIIGaze\n    │   │   └── Data\n    │   │       └── Normalized\n    │   │           ├── p00\n    │   │           ├── p01\n    │   │           └── ...\n    │   └── UnityEyes # contains images of UnityEyes\n    │       ├── 1.jpg\n    │       ├── 1.json\n    │       ├── 2.jpg\n    │       ├── 2.json\n    │       └── ...\n    ├── __init__.py\n    ├── gaze_data.py\n    ├── hand_data.py\n    └── utils.py\n\nTo train a model (samples will be generated in `samples` directory):\n\n    $ python main.py\n    $ tensorboard --logdir=logs --host=0.0.0.0\n\nTo refine all synthetic images with a pretrained model:\n\n    $ python main.py --is_train=False --synthetic_image_dir=\".\u002Fdata\u002Fgaze\u002FUnityEyes\u002F\"\n\n\n## Training results\n\n\n### Differences with the paper\n\n- Used Adam and Stochatstic Gradient Descent optimizer.\n- Only used 83K (14% of 1.2M used by the paper) synthetic images from `UnityEyes`.\n- Manually choose hyperparameters for `B` and `lambda` because those are not specified in the paper.\n\n\n### Experiments #1\n\nFor these synthetic images,\n\n![UnityEyes_sample](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_6a4786884162.png)\n\nResult of `lambda=1.0` with `optimizer=sgd` after 8,000 steps.\n\n    $ python main.py --reg_scale=1.0 --optimizer=sgd\n\n![Refined_sample_with_lambd=1.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_f7839f70a2a4.png)\n\nResult of `lambda=0.5` with `optimizer=sgd` after 8,000 steps.\n\n    $ python main.py --reg_scale=0.5 --optimizer=sgd\n\n![Refined_sample_with_lambd=1.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_fd4dc70300da.png)\n\nTraining loss of discriminator and refiner when `lambda` is `1.0` (green) and `0.5` (yellow).\n\n![loss](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_36c3bb837274.png)\n\n\n### Experiments #2\n\nFor these synthetic images,\n\n![UnityEyes_sample](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_1c71178f4c44.png)\n\nResult of `lambda=1.0` with `optimizer=adam` after 4,000 steps.\n\n    $ python main.py --reg_scale=1.0 --optimizer=adam\n\n![Refined_sample_with_lambd=1.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_0f6456202932.png)\n\nResult of `lambda=0.5` with `optimizer=adam` after 4,000 steps.\n\n    $ python main.py --reg_scale=0.5 --optimizer=adam\n\n![Refined_sample_with_lambd=0.5](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_ca7819fa5c6e.png)\n\nResult of `lambda=0.1` with `optimizer=adam` after 4,000 steps.\n\n    $ python main.py --reg_scale=0.1 --optimizer=adam\n\n![Refined_sample_with_lambd=0.1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_2a506d03a855.png)\n\nTraining loss of discriminator and refiner when `lambda` is `1.0` (blue), `0.5` (purple) and `0.1` (green).\n\n![loss](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_c10ea3c9c798.png)\n\n\n## Author\n\nTaehoon Kim \u002F [@carpedm20](http:\u002F\u002Fcarpedm20.github.io)\n","# TensorFlow 中的模拟+无监督（S+U）学习\n\n[通过对抗训练从模拟和无监督图像中学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.07828) 的 TensorFlow 实现。\n\n![model](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_ff41243cf336.png)\n\n\n## 要求\n\n- Python 2.7\n- [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) 0.12.1\n- [SciPy](http:\u002F\u002Fwww.scipy.org\u002Finstall.html)\n- [pillow](https:\u002F\u002Fgithub.com\u002Fpython-pillow\u002FPillow)\n- [tqdm](https:\u002F\u002Fgithub.com\u002Ftqdm\u002Ftqdm)\n\n## 使用方法\n\n生成合成数据集：\n\n1. 运行 [UnityEyes](http:\u002F\u002Fwww.cl.cam.ac.uk\u002Fresearch\u002Frainbow\u002Fprojects\u002Funityeyes\u002F)，将 `resolution` 改为 `640x480`，并将 `Camera parameters` 设置为 `[0, 0, 20, 40]`。\n2. 将生成的图像和 json 文件移动到 `data\u002Fgaze\u002FUnityEyes` 目录下。\n\n`data` 目录应如下所示：\n\n    data\n    ├── gaze\n    │   ├── MPIIGaze\n    │   │   └── Data\n    │   │       └── Normalized\n    │   │           ├── p00\n    │   │           ├── p01\n    │   │           └── ...\n    │   └── UnityEyes # 包含 UnityEyes 的图像\n    │       ├── 1.jpg\n    │       ├── 1.json\n    │       ├── 2.jpg\n    │       ├── 2.json\n    │       └── ...\n    ├── __init__.py\n    ├── gaze_data.py\n    ├── hand_data.py\n    └── utils.py\n\n训练模型（样本将生成在 `samples` 目录中）：\n\n    $ python main.py\n    $ tensorboard --logdir=logs --host=0.0.0.0\n\n使用预训练模型对所有合成图像进行精炼：\n\n    $ python main.py --is_train=False --synthetic_image_dir=\".\u002Fdata\u002Fgaze\u002FUnityEyes\u002F\"\n\n\n## 训练结果\n\n\n### 与论文的不同之处\n\n- 使用了 Adam 和随机梯度下降优化器。\n- 仅使用了来自 `UnityEyes` 的 83K 张（占论文中使用的 120 万张的 14%）合成图像。\n- 手动选择了 `B` 和 `lambda` 的超参数，因为论文中并未明确指定这些参数。\n\n\n### 实验 #1\n\n对于这些合成图像，\n\n![UnityEyes_sample](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_6a4786884162.png)\n\n`lambda=1.0` 且 `optimizer=sgd`，经过 8,000 步后的结果。\n\n    $ python main.py --reg_scale=1.0 --optimizer=sgd\n\n![Refined_sample_with_lambd=1.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_f7839f70a2a4.png)\n\n`lambda=0.5` 且 `optimizer=sgd`，经过 8,000 步后的结果。\n\n    $ python main.py --reg_scale=0.5 --optimizer=sgd\n\n![Refined_sample_with_lambd=1.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_fd4dc70300da.png)\n\n当 `lambda` 分别为 `1.0`（绿色）和 `0.5`（黄色）时，判别器和精炼器的训练损失。\n\n![loss](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_36c3bb837274.png)\n\n\n### 实验 #2\n\n对于这些合成图像，\n\n![UnityEyes_sample](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_1c71178f4c44.png)\n\n`lambda=1.0` 且 `optimizer=adam`，经过 4,000 步后的结果。\n\n    $ python main.py --reg_scale=1.0 --optimizer=adam\n\n![Refined_sample_with_lambd=1.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_0f6456202932.png)\n\n`lambda=0.5` 且 `optimizer=adam`，经过 4,000 步后的结果。\n\n    $ python main.py --reg_scale=0.5 --optimizer=adam\n\n![Refined_sample_with_lambd=0.5](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_ca7819fa5c6e.png)\n\n`lambda=0.1` 且 `optimizer=adam`，经过 4,000 步后的结果。\n\n    $ python main.py --reg_scale=0.1 --optimizer=adam\n\n![Refined_sample_with_lambd=0.1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_2a506d03a855.png)\n\n当 `lambda` 分别为 `1.0`（蓝色）、`0.5`（紫色）和 `0.1`（绿色）时，判别器和精炼器的训练损失。\n\n![loss](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_readme_c10ea3c9c798.png)\n\n\n## 作者\n\nTaehoon Kim \u002F [@carpedm20](http:\u002F\u002Fcarpedm20.github.io)","# Simulated+Unsupervised (S+U) Learning 快速上手指南\n\n本指南基于 `simulated-unsupervised-tensorflow` 项目，帮助开发者在 TensorFlow 环境下复现“通过对抗训练从模拟和无监督图像中学习”的算法。\n\n## 环境准备\n\n本项目依赖较旧版本的 Python 和 TensorFlow，请确保满足以下系统要求：\n\n*   **操作系统**: Linux \u002F macOS (Windows 需配置相应兼容环境)\n*   **Python**: 2.7\n*   **核心框架**: TensorFlow 0.12.1\n*   **其他依赖**:\n    *   SciPy\n    *   Pillow (PIL)\n    *   tqdm\n\n> **注意**：由于项目依赖 TensorFlow 0.12.1 和 Python 2.7，建议在独立的虚拟环境（如 `virtualenv` 或 `conda`）中运行，以免冲突。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow.git\n    cd simulated-unsupervised-tensorflow\n    ```\n\n2.  **安装依赖包**\n    推荐使用国内镜像源加速安装（以清华源为例）：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==0.12.1 scipy pillow tqdm\n    ```\n\n3.  **准备数据集**\n    本项目需要合成数据（UnityEyes）和真实数据（MPIIGaze）。\n    \n    *   **生成合成数据**：运行 [UnityEyes](http:\u002F\u002Fwww.cl.cam.ac.uk\u002Fresearch\u002Frainbow\u002Fprojects\u002Funityeyes\u002F)，将 `resolution` 设为 `640x480`，`Camera parameters` 设为 `[0, 0, 20, 40]`。\n    *   **整理目录**：将生成的图片 (.jpg) 和标注文件 (.json) 移至 `data\u002Fgaze\u002FUnityEyes` 目录。\n    *   **真实数据**：确保 MPIIGaze 数据位于 `data\u002Fgaze\u002FMPIIGaze\u002FData\u002FNormalized\u002F` 下。\n\n    最终目录结构应如下所示：\n    ```text\n    data\n    ├── gaze\n    │   ├── MPIIGaze\n    │   │   └── Data\n    │   │       └── Normalized\n    │   │           ├── p00\n    │   │           ├── p01\n    │   │           └── ...\n    │   └── UnityEyes\n    │       ├── 1.jpg\n    │       ├── 1.json\n    │       ├── 2.jpg\n    │       ├── 2.json\n    │       └── ...\n    ├── __init__.py\n    ├── gaze_data.py\n    ├── hand_data.py\n    └── utils.py\n    ```\n\n## 基本使用\n\n### 1. 训练模型\n运行主脚本开始训练，生成的样本将保存在 `samples` 目录，日志保存在 `logs` 目录。\n\n```bash\npython main.py\n```\n\n启动 TensorBoard 可视化训练过程：\n```bash\ntensorboard --logdir=logs --host=0.0.0.0\n```\n\n### 2. 使用预训练模型优化图像\n若已有预训练模型，可用于优化所有合成图像（不执行训练）：\n\n```bash\npython main.py --is_train=False --synthetic_image_dir=\".\u002Fdata\u002Fgaze\u002FUnityEyes\u002F\"\n```\n\n### 3. 调整超参数实验\n根据原文实验，可通过调整 `reg_scale` (lambda) 和 `optimizer` 来观察效果：\n\n*   **SGD 优化器 (lambda=1.0)**:\n    ```bash\n    python main.py --reg_scale=1.0 --optimizer=sgd\n    ```\n*   **Adam 优化器 (lambda=0.1)**:\n    ```bash\n    python main.py --reg_scale=0.1 --optimizer=adam\n    ```","某自动驾驶团队正在开发驾驶员疲劳监测系统，需要大量包含不同光照和角度的真实眼球注视数据来训练模型，但采集和标注真实人脸数据成本极高且涉及隐私问题。\n\n### 没有 simulated-unsupervised-tensorflow 时\n- **数据域差异大**：直接使用 UnityEyes 等引擎生成的合成图像训练，因缺乏真实皮肤的纹理和光影细节，导致模型在真实摄像头画面中准确率极低。\n- **标注成本高昂**：为了弥补合成数据的不足，团队需耗费数周时间人工采集并逐帧标注真实驾驶员的眼部数据，项目进度严重滞后。\n- **泛化能力弱**：模型过度拟合合成数据的“完美”特征，无法适应真实场景中复杂的噪声、模糊及多变的环境光线。\n\n### 使用 simulated-unsupervised-tensorflow 后\n- **实现无监督域适应**：利用该工具的对峙训练机制，将合成眼球图像自动“精炼”为具有真实皮肤质感和光照效果的图像，无需任何真实图片的标签。\n- **大幅降低数据成本**：仅需少量未标注的真实视频流即可辅助训练，省去了繁琐的人工标注环节，使数据集构建时间从数周缩短至几天。\n- **显著提升实战性能**：经过该工具处理后的混合数据集训练出的模型，在真实道路测试中的注视点检测误差降低了 40%，有效解决了合成到现实的迁移难题。\n\nsimulated-unsupervised-tensorflow 的核心价值在于通过对抗生成技术，以零标注成本打通了合成数据与真实场景之间的鸿沟，让低成本的大规模数据训练成为可能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_simulated-unsupervised-tensorflow_6a478688.png","carpedm20","Taehoon","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcarpedm20_c71eb65e.jpg","ex @openai. a machine like human",null,"San Francisco","https:\u002F\u002Fgithub.com\u002Fcarpedm20",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,577,145,"2025-12-09T13:18:33","Apache-2.0",5,"","未说明",{"notes":92,"python":93,"dependencies":94},"该工具基于较旧的 TensorFlow 0.12.1 版本和 Python 2.7，现代环境可能需要配置兼容环境或容器。运行前需使用 UnityEyes 生成合成数据集并按特定目录结构放置。代码中使用了 Adam 和 SGD 优化器，超参数需手动选择。","2.7",[95,96,97,98],"tensorflow==0.12.1","scipy","pillow","tqdm",[15,14],[101,102,103,104,105],"tensorflow","synthetic-images","deep-learning","apple","generative-model","2026-03-27T02:49:30.150509","2026-04-19T06:01:41.022579",[109,114,119,124,129],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},41640,"为什么 ResNet 模块中没有包含批归一化（Batch Norm）？","据维护者表示，批归一化对于该项目的 ResNet 实现并非关键部分。此外，该模型的深度不足以被视为标准的残差网络（通常深层网络才更需要 Batch Norm）。虽然 DCGAN 使用了批归一化，但它并不使用残差块。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow\u002Fissues\u002F10",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},41641,"代码是否支持 GPU 训练以加速过程？","是的，代码完全支持 GPU 训练。维护者确认曾使用一张 NVIDIA 980ti 显卡成功训练了该模型。如果训练速度慢，请确保您的 TensorFlow 环境已正确配置并识别到 GPU。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow\u002Fissues\u002F11",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},41642,"运行时报错 'TypeError: zeros_initializer() takes at least 1 argument' 如何解决？","这是 TensorFlow 版本兼容性导致的问题。如果您持续遇到此错误，请将代码中的 `tf.zeros_initializer` 替换为 `tf.constant_initializer(0.0)`。这个问题在 TensorFlow 0.12.1 及某些特定提交版本中被讨论过。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow\u002Fissues\u002F5",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},41643,"如何获取 *_cropped.png 图像文件？需要手动处理吗？","不需要手动处理。`gaze_data.py` 脚本会自动检测是否存在 `*_cropped.png` 文件。如果没有找到足够的裁剪图像，代码会自动生成它们。您可以检查 `data\u002Fgaze_data.py` 第 89 行附近的逻辑。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow\u002Fissues\u002F3",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},41644,"论文中提到的“局部对抗损失”和“全卷积判别器”在代码的哪里实现？","局部对抗损失（Local adversarial loss）是在 `model.py` 的第 133 行附近实现的，其原理是对局部补丁的交叉熵损失值进行求和。全卷积判别器（Fully convolutional discriminator）的实现位于 `model.py` 的第 302 行附近。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow\u002Fissues\u002F2",[]]