[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cs-chan--Exclusively-Dark-Image-Dataset":3,"tool-cs-chan--Exclusively-Dark-Image-Dataset":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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":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":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":112},6046,"cs-chan\u002FExclusively-Dark-Image-Dataset","Exclusively-Dark-Image-Dataset","Exclusively Dark (ExDARK) dataset which to the best of our knowledge, is the largest collection of low-light images taken in very low-light environments to twilight (i.e 10 different conditions) to-date with image class and object level annotations.","Exclusively-Dark-Image-Dataset（简称 ExDARK）是一个专为低光照环境研究打造的大型开源图像数据集。它收录了从极暗环境到黄昏时段的 7,363 张真实低光图片，涵盖 10 种不同的光照条件，是目前该领域规模最大的资源之一。\n\n在弱光环境下，传统的物体检测与图像增强算法往往表现不佳，主要原因在于缺乏高质量、标注完善的训练数据。ExDARK 正是为了解决这一痛点而生。它不仅提供了丰富的图像样本，还包含了类似 PASCAL VOC 标准的 12 类物体标注，同时支持图像级别分类与局部物体边界框标注，极大地降低了研究人员构建和验证模型的成本。此外，项目方还开源了配套的弱光图像增强代码（SPIC），方便开发者直接复现效果或进行二次开发。\n\n这套数据集非常适合计算机视觉领域的研究人员、算法工程师以及高校师生使用。无论是致力于提升夜间监控、自动驾驶感知能力，还是专注于图像复原技术的探索者，都能从中获得宝贵的数据支持。凭借其严谨的学术背景（发表于 CVIU 期刊）和开放的 BSD-3 协议，ExDARK 已成为推动低光照视觉技术发展的重要基石。","# Exclusively Dark (ExDark) Image Dataset (Official Site)\n[ArXiv](http:\u002F\u002Fcs-chan.com\u002Fdoc\u002Fcviu.pdf)\n\nUpdated on Sept 02, 2022 (Updated the dataset link)\n\nUpdated on June 02, 2019 (Code for low-light image enhancement is released)\n\nUpdated on Oct. 31, 2018 (Accepted for publication in CVIU)\n\nReleased on May 29, 2018\n\n## Description\n\nIn order to facilitate a new object detection and image enhancement research particularly in the low-light environment, we introduce the Exclusively Dark (ExDark) dataset [(CVIU2019)](http:\u002F\u002Fcs-chan.com\u002Fdoc\u002Fcviu.pdf). The Exclusively Dark (ExDARK) dataset is a collection of 7,363 low-light images from very low-light environments to twilight (i.e 10 different conditions) with 12 object classes (similar to PASCAL VOC) annotated on both image class level and local object bounding boxes. \n\n![demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_dcd4b5f2bee8.gif)\n\n## Source Code \nThe source code for our work on low-light image enhancement is now available. Please refer to the [SPIC](https:\u002F\u002Fgithub.com\u002Fcs-chan\u002FExclusively-Dark-Image-Dataset\u002Ftree\u002Fmaster\u002FSPIC) folder.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_805d9e84e2ed.gif\" height=\"150\" > \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_d8f0bd2a998a.gif\" height=\"150\" > \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_6cfb2913d272.gif\" height=\"150\" >\n\n\n## Citation\nIf you find this dataset useful for your research, please cite\n```bibtex\n@article{Exdark,\n  title = {Getting to Know Low-light Images with The Exclusively Dark Dataset},\n  author = {Loh, Yuen Peng and Chan, Chee Seng},\n  journal = {Computer Vision and Image Understanding},\n  volume = {178},\n  pages = {30-42},\n  year = {2019},\n  doi = {https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.cviu.2018.10.010}\n}\n```\n\n## Feedback\nSuggestions and opinions on this dataset (both positive and negative) are greatly welcomed. Please contact the authors by sending an email to\n`lexloh2009 at hotmail.com` or `cs.chan at um.edu.my`.\n\n## License and Copyright\nThe project is open source under BSD-3 license (see the ``` LICENSE ``` file). \n\nFor commercial purpose usage, please contact Dr. Chee Seng Chan at `cs.chan at um.edu.my`\n\n©2018-2022 Center of Image and Signal Processing, Faculty of Computer Science and Information Technology, Universiti Malaya.\n","# 纯暗（ExDark）图像数据集（官方网站）\n[ArXiv](http:\u002F\u002Fcs-chan.com\u002Fdoc\u002Fcviu.pdf)\n\n2022年9月2日更新（更新了数据集链接）\n\n2019年6月2日更新（发布了低光照图像增强代码）\n\n2018年10月31日更新（被CVIU期刊接收发表）\n\n2018年5月29日发布\n\n## 描述\n\n为了促进新的目标检测和图像增强研究，特别是在低光照环境下，我们推出了纯暗（ExDark）数据集[(CVIU2019)](http:\u002F\u002Fcs-chan.com\u002Fdoc\u002Fcviu.pdf)。纯暗（ExDARK）数据集包含7,363张来自极低光照环境至黄昏时段的低光照图像（共10种不同光照条件），并标注了12个物体类别（与PASCAL VOC类似），标注信息涵盖图像级别分类标签以及局部目标边界框。\n\n![demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_dcd4b5f2bee8.gif)\n\n## 源代码\n我们关于低光照图像增强工作的源代码现已公开。请参阅[SPIC](https:\u002F\u002Fgithub.com\u002Fcs-chan\u002FExclusively-Dark-Image-Dataset\u002Ftree\u002Fmaster\u002FSPIC)文件夹。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_805d9e84e2ed.gif\" height=\"150\" > \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_d8f0bd2a998a.gif\" height=\"150\" > \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_readme_6cfb2913d272.gif\" height=\"150\" >\n\n## 引用\n如果您在研究中使用了本数据集，请引用以下文献：\n```bibtex\n@article{Exdark,\n  title = {通过纯暗数据集认识低光照图像},\n  author = {Loh, Yuen Peng 和 Chan, Chee Seng},\n  journal = {计算机视觉与图像理解},\n  volume = {178},\n  pages = {30-42},\n  year = {2019},\n  doi = {https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.cviu.2018.10.010}\n}\n```\n\n## 反馈\n我们非常欢迎关于本数据集的建议和意见（无论正面或负面）。请通过电子邮件联系作者：\n`lexloh2009 at hotmail.com` 或 `cs.chan at um.edu.my`。\n\n## 许可与版权\n本项目采用BSD-3许可协议开源（详见``` LICENSE ```文件）。\n\n如需用于商业用途，请联系陈志成博士：`cs.chan at um.edu.my`。\n\n©2018-2022 马来亚大学计算机科学与信息技术学院图像与信号处理中心。","# Exclusively Dark (ExDark) 图像数据集快速上手指南\n\n## 环境准备\n\n本资源主要为低光照环境下的目标检测与图像增强研究提供数据支持及参考代码。\n\n- **系统要求**：Linux \u002F macOS \u002F Windows（推荐 Linux 环境）\n- **前置依赖**：\n  - Python 3.6+\n  - Git\n  - 深度学习框架（如 PyTorch 或 TensorFlow，视具体研究需求而定）\n  - 图像处理库（如 OpenCV, PIL）\n\n> **注意**：本项目核心为数据集，`SPIC` 文件夹内包含低光照图像增强的参考源代码。\n\n## 安装步骤\n\n### 1. 克隆仓库\n使用 Git 克隆项目到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fcs-chan\u002FExclusively-Dark-Image-Dataset.git\ncd Exclusively-Dark-Image-Dataset\n```\n\n### 2. 获取数据集\n由于数据集文件较大，请前往官方更新链接下载（README 中提及于 2022 年 9 月 2 日更新了数据集链接）。通常数据集不直接包含在 Git 仓库中，需单独下载并解压至项目目录。\n\n*请访问 [ArXiv 论文页面](http:\u002F\u002Fcs-chan.com\u002Fdoc\u002Fcviu.pdf) 或项目 GitHub 主页获取最新的数据集下载链接。*\n\n### 3. 查看增强代码\n低光照图像增强的源代码位于 `SPIC` 目录下：\n\n```bash\ncd SPIC\n# 查看该目录下的具体运行脚本和依赖要求\nls\n```\n\n## 基本使用\n\n### 使用 ExDark 数据集\n数据集包含 7,363 张低光照图像，涵盖 10 种不同的光照条件（从极暗到黄昏），并标注了 12 类物体（类似 PASCAL VOC 标准）。\n\n- **数据结构**：\n  - 图像文件：按光照条件分类存储。\n  - 标注文件：包含图像级别的分类标签和局部物体的边界框（Bounding Boxes）。\n\n**简单加载示例（Python pseudo-code）：**\n\n```python\nimport os\nfrom PIL import Image\n\n# 假设数据集已解压到 data 目录\ndata_root = \".\u002Fdata\"\nimage_path = os.path.join(data_root, \"LowLight\", \"example.jpg\")\n\n# 加载图像\nimg = Image.open(image_path)\nimg.show()\n```\n\n### 运行低光照增强代码 (SPIC)\n进入 `SPIC` 目录后，根据该目录下的 `README` 或脚本说明运行增强模型。以下为典型的运行逻辑（具体命令请以 `SPIC` 文件夹内的实际脚本为准）：\n\n```bash\ncd SPIC\n# 示例：运行测试脚本（需根据实际文件名调整）\npython test_enhancement.py --input ..\u002Fdata\u002Fsample.jpg --output .\u002Fresult.jpg\n```\n\n> **提示**：如需商业使用该数据集或代码，请联系 Dr. Chee Seng Chan (`cs.chan@um.edu.my`)。学术研究引用请参考项目根目录的 Citation 部分。","某安防科技公司的算法团队正在研发一款适用于夜间巡逻的自动驾驶小车，急需提升其在极弱光环境下的障碍物识别能力。\n\n### 没有 Exclusively-Dark-Image-Dataset 时\n- **数据匮乏且单一**：团队只能收集有限的夜间监控截图，缺乏从“全黑”到“黄昏”等 10 种不同光照条件的系统性数据，导致模型泛化能力极差。\n- **标注成本高昂**：低光图像噪点多、细节模糊，人工逐帧标注车辆、行人等 12 类目标的边界框耗时耗力，严重拖慢研发进度。\n- **增强效果难验证**：自研的低光图像增强算法缺乏统一的基准测试集，无法客观评估在不同暗度场景下的真实还原效果，调优如同“盲人摸象”。\n\n### 使用 Exclusively-Dark-Image-Dataset 后\n- **覆盖全场景光照**：直接利用数据集中 7,363 张涵盖 10 种光照条件的专业图片进行训练，模型迅速学会了在极暗至微光环境下提取特征。\n- **开箱即用的高质标注**：直接使用已有的图像级分类和物体级边界框标注，省去了数周的人工标注时间，让团队能立即启动模型迭代。\n- **量化评估有依据**：基于数据集提供的标准样本对比增强前后效果，快速定位算法在特定暗光条件下的不足，显著提升了图像清晰度和检测准确率。\n\nExclusively-Dark-Image-Dataset 通过提供大规模、多条件且精细标注的低光数据，彻底解决了夜间视觉算法研发中“数据难寻、标注难做、效果难评”的核心瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcs-chan_Exclusively-Dark-Image-Dataset_dcd4b5f2.gif","cs-chan","Chee Seng Chan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcs-chan_0c533bd7.jpg",null,"Universiti Malaya","Malaysia","cs.chan@um.edu.my","cschan134","http:\u002F\u002Fcs-chan.com","https:\u002F\u002Fgithub.com\u002Fcs-chan",[83],{"name":84,"color":85,"percentage":86},"MATLAB","#e16737",100,624,110,"2026-04-02T13:01:48","BSD-3-Clause",1,"","未说明",{"notes":95,"python":93,"dependencies":96},"该项目主要是一个低光照图像数据集（ExDark），包含 7,363 张图像及其标注。README 中提到的源代码位于 'SPIC' 文件夹，用于低光照图像增强研究，但当前提供的文本中未列出具体的运行环境、依赖库或硬件需求。如需运行相关代码，建议查看仓库中 'SPIC' 文件夹内的具体说明文件。",[],[15,35,14,16],[99,100,101,102,103,104,105,106,107,108],"computer-vision","object-detection","low-light-image","deep-learning","dataset","domain-adaptation","image-processing","image-translation","night-images","exdark","2026-03-27T02:49:30.150509","2026-04-10T09:05:01.791719",[],[]]