[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cszn--DPSR":3,"tool-cszn--DPSR":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":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":97,"forks":98,"last_commit_at":99,"license":82,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":108,"github_topics":109,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":133},426,"cszn\u002FDPSR","DPSR","Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels (CVPR, 2019) (PyTorch)","DPSR 是一种基于深度学习的图像超分辨率方法，能够将低分辨率、模糊的图像恢复为清晰的高分辨率图像。它特别擅长处理各种未知或复杂的模糊核（即导致图像模糊的原因），而无需事先知道模糊的具体类型，这在真实场景中非常实用。传统超分辨率方法往往假设图像仅经过简单下采样，难以应对现实中的复杂退化情况，而 DPSR 通过“即插即用”框架，结合深度先验与优化算法，有效提升了对任意模糊图像的重建质量。该工具主要面向计算机视觉领域的研究人员和开发者，适合用于图像复原、遥感、医学影像等需要高质量图像重建的场景。其技术亮点在于将深度神经网络作为可灵活嵌入的模块，融入迭代优化流程，在保持理论严谨性的同时获得出色的视觉效果。项目基于 PyTorch 实现，提供了完整的训练与测试代码，便于复现和二次开发。","# DPSR\n\n# Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels (CVPR, 2019)\n\n- Related work: [DPIR](https:\u002F\u002Fgithub.com\u002Fcszn\u002FDPIR)\n\n# Training and testing codes for the super-resolver prior ([PyTorch](https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR))\n- [main_train_dpsr.py](https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR\u002Fblob\u002Fmaster\u002Fmain_train_dpsr.py)\n\n- [main_test_dpsr.py](https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR\u002Fblob\u002Fmaster\u002Fmain_test_dpsr.py)\n\n***\n\nThe left is the blurry LR image. The right is the super-resolved image by DPSRGAN with scale factor 4.\n\nRun [demo_test_dpsr.py](demo_test_dpsr.py) to produce the following results.\n\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_b83f5e2f67fb.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_8407e84105ac.png\" width=\"288px\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_f8a80cdccbc8.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_7a45744e3d37.png\" width=\"288px\"\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_52c26e17688c.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_d9467b8e73b8.png\" width=\"288px\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_0b58b7a89421.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_b0c7d78fe86b.png\" width=\"288px\"\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_3520505b5396.png\" width=\"120px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_7e09425558ce.png\" width=\"480px\"\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_db60520f017c.png\" width=\"120px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_67686804e6ee.png\" width=\"480px\"\u002F>\n\n***\n\nSuper-resolved images of LR image [chip.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_66f398fe758f.png) by DPSR with scale factors 2, 3 and 4.\n\nRun [demo_test_dpsr_real.py](demo_test_dpsr_real.py) to produce the following results.\n\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_66f398fe758f.png\" width=\"109px\"\u002F>  LR\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_c1d71c74e6ad.png\" width=\"218px\"\u002F>  x2\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_4450643e8096.png\" width=\"327px\"\u002F>  x3\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_e97b562dd4b3.png\" width=\"436px\"\u002F>  x4\n\n\n\n\n\n\n# Requirements and Dependencies\n- Spyder (Python 3.6)\n- PyTorch 0.4.1\n- Windows 10\n\n\n# Citation\n```BibTex\n@inproceedings{zhang2019deep,\n  title={Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels},\n  author={Zhang, Kai and Zuo, Wangmeng and Zhang, Lei},\n  booktitle={IEEE Conference on Computer Vision and Pattern Recognition},\n  pages={1671--1681},\n  year={2019}\n}\n```\n","# DPSR\n\n# Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels（CVPR, 2019）\n\n- 相关工作：[DPIR](https:\u002F\u002Fgithub.com\u002Fcszn\u002FDPIR)\n\n# 超分辨率先验模型的训练与测试代码（基于 [PyTorch](https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR)）\n- [main_train_dpsr.py](https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR\u002Fblob\u002Fmaster\u002Fmain_train_dpsr.py)\n\n- [main_test_dpsr.py](https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR\u002Fblob\u002Fmaster\u002Fmain_test_dpsr.py)\n\n***\n\n左侧为模糊的低分辨率（LR）图像，右侧为 DPSRGAN 在放大因子为 4 时生成的超分辨率图像。\n\n运行 [demo_test_dpsr.py](demo_test_dpsr.py) 即可复现以下结果。\n\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_b83f5e2f67fb.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_8407e84105ac.png\" width=\"288px\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_f8a80cdccbc8.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_7a45744e3d37.png\" width=\"288px\"\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_52c26e17688c.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_d9467b8e73b8.png\" width=\"288px\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_0b58b7a89421.png\" width=\"72px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_b0c7d78fe86b.png\" width=\"288px\"\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_3520505b5396.png\" width=\"120px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_7e09425558ce.png\" width=\"480px\"\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_db60520f017c.png\" width=\"120px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_67686804e6ee.png\" width=\"480px\"\u002F>\n\n***\n\n对低分辨率图像 [chip.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_66f398fe758f.png) 使用 DPSR 方法，在放大因子分别为 2、3 和 4 时得到的超分辨率结果。\n\n运行 [demo_test_dpsr_real.py](demo_test_dpsr_real.py) 即可复现以下结果。\n\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_66f398fe758f.png\" width=\"109px\"\u002F>  LR\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_c1d71c74e6ad.png\" width=\"218px\"\u002F>  x2\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_4450643e8096.png\" width=\"327px\"\u002F>  x3\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_readme_e97b562dd4b3.png\" width=\"436px\"\u002F>  x4\n\n\n\n\n\n\n# 依赖环境\n- Spyder（Python 3.6）\n- PyTorch 0.4.1\n- Windows 10\n\n\n# 引用\n```BibTex\n@inproceedings{zhang2019deep,\n  title={Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels},\n  author={Zhang, Kai and Zuo, Wangmeng and Zhang, Lei},\n  booktitle={IEEE Conference on Computer Vision and Pattern Recognition},\n  pages={1671--1681},\n  year={2019}\n}\n```","# DPSR 快速上手指南\n\nDPSR（Deep Plug-and-Play Super-Resolution）是一个支持任意模糊核的超分辨率重建工具，适用于真实场景图像增强。\n\n## 环境准备\n\n- **操作系统**：Windows 10（官方测试环境，Linux\u002FmacOS 可能兼容但未验证）\n- **Python 版本**：3.6\n- **核心依赖**：\n  - PyTorch 0.4.1\n  - Spyder（可选，仅用于开发调试）\n\n> 💡 建议使用 Anaconda 创建独立环境，并通过国内镜像源加速安装。\n\n## 安装步骤\n\n1. 克隆主仓库（包含训练\u002F测试代码）：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fcszn\u002FKAIR.git\n```\n\n2. 进入项目目录并安装依赖（推荐使用清华源加速）：\n```bash\ncd KAIR\npip install torch==0.4.1 torchvision==0.2.1 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n3. （可选）安装其他基础库：\n```bash\npip install numpy opencv-python matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n### 示例 1：测试合成模糊图像的超分效果\n运行预设 demo，对 BSD68 数据集中的图像进行 ×4 超分：\n```bash\npython demo_test_dpsr.py\n```\n结果将保存在 `testsets\u002FBSD68\u002Fx4_m_dpsrgan\u002F` 目录下。\n\n### 示例 2：处理真实低分辨率图像\n对真实图像（如 `chip.png`）进行多尺度（×2\u002F×3\u002F×4）超分：\n```bash\npython demo_test_dpsr_real.py\n```\n输出结果位于 `testsets\u002Freal_imgs\u002Fx4_dpsr\u002F`。\n\n> 📌 注意：首次运行会自动下载预训练模型（约数百 MB），建议确保网络畅通或手动放置模型至 `model_zoo\u002F` 目录。","某城市交通监控中心的技术团队需要对老旧摄像头拍摄的低分辨率、模糊车牌图像进行超分辨率重建，以辅助违章识别和车辆追踪。\n\n### 没有 DPSR 时\n- 使用传统插值方法（如双三次插值）放大图像后，车牌边缘依然模糊，字符难以辨认。\n- 现有超分模型大多假设理想降质过程（如仅下采样），无法处理真实监控中复杂的运动模糊或镜头失焦。\n- 针对特定模糊类型重新训练模型成本高，且难以覆盖实际场景中多变的模糊核。\n- 手动调整去模糊+超分的多阶段流程耗时长，且误差累积导致最终效果不稳定。\n- 在紧急案件回溯中，因图像质量不足常需人工现场复核，延误处理时效。\n\n### 使用 DPSR 后\n- DPSR 能直接处理任意模糊核，在不预知模糊类型的前提下高质量重建清晰车牌。\n- 利用其 Plug-and-Play 架构，无需为每类摄像头单独训练模型，一套流程适配多种设备来源。\n- 端到端推理速度快，单张图像可在数秒内完成4倍超分，满足批量处理需求。\n- 重建结果保留更多纹理细节（如车牌反光、字符笔画），显著提升后续 OCR 识别准确率。\n- 技术人员只需运行 demo_test_dpsr_real.py 即可快速部署，大幅降低算法使用门槛。\n\nDPSR 让真实世界中模糊低清的监控图像也能高效转化为可用于精准分析的高分辨率数据。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcszn_DPSR_5254555a.png","cszn","Kai Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcszn_02895d4d.png","Image Restoration; Inverse Problems","Nanjing University","Nanjing","cskaizhang@gmail.com",null,"https:\u002F\u002Fcszn.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fcszn",[86,90,94],{"name":87,"color":88,"percentage":89},"Python","#3572A5",96.4,{"name":91,"color":92,"percentage":93},"MATLAB","#e16737",3.5,{"name":95,"color":82,"percentage":96},"M",0.1,844,208,"2026-03-18T02:36:30",4,"Windows","未说明",{"notes":104,"python":105,"dependencies":106},"项目基于 Spyder 开发环境，实际代码位于 KAIR 仓库中；运行 demo 需要预先准备测试图像数据集。","3.6",[107],"PyTorch==0.4.1",[14,13],[110,111,112,113,114],"super-resolution","blurry-images","srresnet","plug-and-play","pytorch-implmention","2026-03-27T02:49:30.150509","2026-04-06T05:17:32.485889",[118,123,128],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},1624,"如何使用真实图片生成低分辨率图像和对应的 .mat 文件，以模拟 CBSD68 数据集？","可以使用项目中提供的脚本 generate_blurry_LR_images.m 来生成低分辨率图像。该脚本位于 testsets\u002FBSD68\u002F 目录下：https:\u002F\u002Fgithub.com\u002Fcszn\u002FDPSR\u002Fblob\u002Fmaster\u002Ftestsets\u002FBSD68\u002Fgenerate_blurry_LR_images.m。","https:\u002F\u002Fgithub.com\u002Fcszn\u002FDPSR\u002Fissues\u002F7",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},1625,"论文中的公式 9 是如何通过 FFT 推导出来的？","推导过程在教程论文《Fourier-Domain Optimization for Image Processing》中有详细解释，该论文说明了如何从 DPSR 论文的公式 (5) 推导出公式 (6-7-8-9)，并介绍了背后的数学原理及实际实现方法。论文链接：https:\u002F\u002Farxiv.org\u002Fabs\u002F1809.04187。","https:\u002F\u002Fgithub.com\u002Fcszn\u002FDPSR\u002Fissues\u002F5",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},1626,"运行 demo_test_dpsr.py 时出现 “The kernel appears to have died” 错误怎么办？","该问题可通过升级 numpy 解决。在终端执行 pip install -U numpy；如果在 Jupyter Notebook 中运行，则执行 !pip install -U numpy。","https:\u002F\u002Fgithub.com\u002Fcszn\u002FDPSR\u002Fissues\u002F14",[]]