[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cvg--GlueStick":3,"tool-cvg--GlueStick":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":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":144},531,"cvg\u002FGlueStick","GlueStick","Joint Deep Matcher for Points and Lines 🖼️💥🖼️ (ICCV 2023)","GlueStick 是一款专为计算机视觉设计的开源深度学习模型，致力于提升图像匹配的鲁棒性。它创新性地采用点线联合匹配策略，能够同时捕捉图像中的关键点和直线特征。传统匹配方法往往依赖单一特征，在纹理复杂或视角变化大的场景中容易失效。GlueStick 通过将点和线特征紧密结合，有效弥补了单一特征的不足，显著提高了对应关系的查找精度，相关成果已被 ICCV 2023 收录。\n\nGlueStick 非常适合计算机视觉领域的研究者和开发者使用。项目提供了完整的推理与训练代码，并配套了 GlueFactory 框架，支持扩展 LightGlue 等其他匹配器及多种特征提取器。需要注意的是，当前版本因依赖 SuperPoint 骨干网络，遵循非商业许可协议，仅适用于学术研究或非商业项目，团队正计划推出基于 DISK 的商业友好版本。如果你正在寻找稳定可靠的图像配准方案，GlueStick 凭借其独特的点线融合技术，是构建此类系统的有力助手。","# GlueStick\n[![Open in Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fcvg\u002FGlueStick\u002Fblob\u002Fmain\u002Fgluestick_matching_demo.ipynb) [![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2304.02008-b31b1b.svg?style=flat)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.02008) [![Project Page](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcvg_GlueStick_readme_f6953ecd94d7.png)](https:\u002F\u002Fiago-suarez.com\u002Fgluestick)\n\nJoint deep matcher for points and lines 🖼️💥🖼️\n\n**Update: we are pleased to announce that the training code has been released within our new training framework, [GlueFactory](https:\u002F\u002Fgithub.com\u002Fcvg\u002Fglue-factory).**\n\n![Visualization of point and line matches](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcvg_GlueStick_readme_16043d811ec4.gif)\n\nThis repository contains the official implementation of \n[GlueStick: Robust Image Matching by Sticking Points and Lines Together](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.02008), accepted at ICCV 2023.\n\n## Install 🛠️\n\nTo install the software in Ubuntu 22.04 follow these instructions:\n```bash\nsudo apt-get install build-essential cmake libopencv-dev libopencv-contrib-dev\ngit clone --recursive https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick.git\ncd GlueStick\n# Create and activate a virtual environment\npython -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -r requirements.txt\npip install .\n```\n\n## Running GlueStick 🏃\nDownload the weights of the model:\n```\nwget https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Freleases\u002Fdownload\u002Fv0.1_arxiv\u002Fcheckpoint_GlueStick_MD.tar -P resources\u002Fweights\n```\n\nYou can execute the inference with it with:\n```\npython -m gluestick.run -img1 resources\u002Fimg1.jpg -img2 resources\u002Fimg2.jpg\n```\n\n## Training 🏋️\nThe training code is available in a separate repository, [GlueFactory](https:\u002F\u002Fgithub.com\u002Fcvg\u002Fglue-factory). Within GlueFactory, you can not only train GlueStick, but also other deep matchers such as [LightGlue](https:\u002F\u002Fgithub.com\u002Fcvg\u002FLightGlue), use multiple feature extractors, line extractors, robust estimators, as well as run evaluations on multiple benchmarks.\n\n## Licence 📜\nOur code is licenced under [MIT licence](https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Fblob\u002Fmain\u002FLICENSE).\nHowever, bear in mind that it uses a SuperPoint backbone that has a \n[non-commercial licence](https:\u002F\u002Fgithub.com\u002Fmagicleap\u002FSuperPointPretrainedNetwork\u002Fblob\u002Fmaster\u002FLICENSE). \nTherefore, the overall system is non-commercial 😞. We are working on an analogous version based on \n[DISK](https:\u002F\u002Fgithub.com\u002Fcvlab-epfl\u002Fdisk) to avoid this problem.\n\n## Citation 📝\nIf you use this code in your project, please consider citing the following paper:\n```bibtex\n@InProceedings{pautrat_suarez_2023_gluestick,\n    title={{GlueStick}: Robust Image Matching by Sticking Points and Lines Together},\n    author={Pautrat, R{\\'e}mi* and Su{\\'a}rez, Iago* and Yu, Yifan and Pollefeys, Marc and Larsson, Viktor},\n    booktitle={International Conference on Computer Vision (ICCV)},\n    year={2023}\n}\n```\n","# GlueStick\n[![Open in Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fcvg\u002FGlueStick\u002Fblob\u002Fmain\u002Fgluestick_matching_demo.ipynb) [![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2304.02008-b31b1b.svg?style=flat)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.02008) [![Project Page](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcvg_GlueStick_readme_f6953ecd94d7.png)](https:\u002F\u002Fiago-suarez.com\u002Fgluestick)\n\n点和线的联合深度学习匹配器 (deep matcher) 🖼️💥🖼️\n\n**更新：我们很高兴地宣布，训练代码已在我们新的训练框架 [GlueFactory](https:\u002F\u002Fgithub.com\u002Fcvg\u002Fglue-factory) 中发布。**\n\n![Visualization of point and line matches](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcvg_GlueStick_readme_16043d811ec4.gif)\n\n本仓库包含 [GlueStick: Robust Image Matching by Sticking Points and Lines Together](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.02008) 的官方实现，该论文已被 ICCV 2023 接收。\n\n## 安装 🛠️\n\n在 Ubuntu 22.04 上安装软件请遵循以下说明：\n```bash\nsudo apt-get install build-essential cmake libopencv-dev libopencv-contrib-dev\ngit clone --recursive https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick.git\ncd GlueStick\n# Create and activate a virtual environment\npython -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -r requirements.txt\npip install .\n```\n\n## 运行 GlueStick 🏃\n下载模型权重 (weights)：\n```\nwget https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Freleases\u002Fdownload\u002Fv0.1_arxiv\u002Fcheckpoint_GlueStick_MD.tar -P resources\u002Fweights\n```\n\n你可以使用它执行推理 (inference)：\n```\npython -m gluestick.run -img1 resources\u002Fimg1.jpg -img2 resources\u002Fimg2.jpg\n```\n\n## 训练 🏋️\n训练代码可在独立仓库 [GlueFactory](https:\u002F\u002Fgithub.com\u002Fcvg\u002Fglue-factory) 中找到。在 GlueFactory 中，你不仅可以训练 GlueStick，还可以训练其他深度学习匹配器 (deep matcher)，例如 [LightGlue](https:\u002F\u002Fgithub.com\u002Fcvg\u002FLightGlue)，使用多种特征提取器 (feature extractors)、线提取器 (line extractors)、鲁棒估计器 (robust estimators)，并在多个基准 (benchmarks) 上进行评估。\n\n## 许可 📜\n我们的代码采用 [MIT 许可](https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Fblob\u002Fmain\u002FLICENSE) 授权。但是，请注意它使用了具有 [非商业许可](https:\u002F\u002Fgithub.com\u002Fmagicleap\u002FSuperPointPretrainedNetwork\u002Fblob\u002Fmaster\u002FLICENSE) 的 SuperPoint 骨干网络 (backbone)。因此，整个系统是非商业用途的 😞。我们正在基于 [DISK](https:\u002F\u002Fgithub.com\u002Fcvlab-epfl\u002Fdisk) 开发一个类似的版本以避免这个问题。\n\n## 引用 📝\n如果你在项目中使用了此代码，请考虑引用以下论文：\n```bibtex\n@InProceedings{pautrat_suarez_2023_gluestick,\n    title={{GlueStick}: Robust Image Matching by Sticking Points and Lines Together},\n    author={Pautrat, R{\\'e}mi* and Su{\\'a}rez, Iago* and Yu, Yifan and Pollefeys, Marc and Larsson, Viktor},\n    booktitle={International Conference on Computer Vision (ICCV)},\n    year={2023}\n}\n```","# GlueStick 快速上手指南\n\n**GlueStick** 是一种联合点线匹配器，用于实现鲁棒的图像匹配（ICCV 2023）。\n\n> ⚠️ **重要提示**：本代码基于 MIT 许可，但使用了 SuperPoint 骨干网络（非商业许可），因此整体系统目前**仅限非商业用途**。\n\n## 环境准备\n\n推荐使用 **Ubuntu 22.04** 系统。安装前请确保已安装以下系统级依赖：\n\n```bash\nsudo apt-get install build-essential cmake libopencv-dev libopencv-contrib-dev\n```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone --recursive https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick.git\n    cd GlueStick\n    ```\n\n2.  **配置 Python 环境**\n    ```bash\n    python -m venv venv\n    source venv\u002Fbin\u002Factivate\n    ```\n\n3.  **安装依赖与项目**\n    ```bash\n    pip install -r requirements.txt\n    pip install .\n    ```\n\n## 基本使用\n\n### 1. 下载模型权重\n运行以下命令将预训练权重下载到资源目录：\n```bash\nwget https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Freleases\u002Fdownload\u002Fv0.1_arxiv\u002Fcheckpoint_GlueStick_MD.tar -P resources\u002Fweights\n```\n\n### 2. 执行推理\n使用两张图片进行匹配测试（请确保 `resources\u002F` 目录下存在对应的图片文件）：\n```bash\npython -m gluestick.run -img1 resources\u002Fimg1.jpg -img2 resources\u002Fimg2.jpg\n```\n\n## 补充说明\n\n*   **训练代码**：训练部分代码已迁移至独立仓库 **[GlueFactory](https:\u002F\u002Fgithub.com\u002Fcvg\u002Fglue-factory)**，该框架支持训练 GlueStick 及其他深度匹配器。\n*   **引用**：在项目中使用时，请参考 README 中的 BibTeX 引用信息。","某自动驾驶团队正在开发室内巡检机器人的视觉定位系统，需要在纹理缺失的走廊环境中实现稳定的图像匹配。\n\n### 没有 GlueStick 时\n- 纯点特征在光滑墙面或长走廊中容易丢失，导致机器人定位频繁漂移甚至失效。\n- 需要手动调整多个参数来平衡不同特征的权重，调试过程极其耗时且不稳定。\n- 重复结构（如整齐排列的窗户）下误匹配率高，严重影响三维建图的几何精度。\n- 缺乏边缘信息利用，弱纹理区域匹配失败率高达 40%，系统难以在真实场景中运行。\n\n### 使用 GlueStick 后\n- GlueStick 同时利用点和线特征，在光滑墙面上也能找到可靠的几何对应关系。\n- 端到端的深度学习框架自动融合特征，无需人工干预参数调优，部署效率大幅提升。\n- 线结构约束有效抑制了重复图案下的误匹配，定位稳定性显著提升，运动轨迹更平滑。\n- 弱纹理区域的匹配成功率提升至 90% 以上，大幅降低了累积建图误差和后期维护成本。\n\nGlueStick 通过联合匹配点线特征，解决了复杂环境下传统算法鲁棒性不足的核心痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcvg_GlueStick_16678388.png","cvg","Computer Vision and Geometry Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcvg_d85caeeb.png","",null,"http:\u002F\u002Fcvg.ethz.ch","https:\u002F\u002Fgithub.com\u002Fcvg",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",97.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",2.1,654,55,"2026-03-26T20:23:51","MIT","Linux","未说明",{"notes":98,"python":96,"dependencies":99},"安装需在 Ubuntu 22.04 环境下进行；因使用 SuperPoint 骨干网络，整体系统仅限非商业用途；训练代码已迁移至 GlueFactory 仓库；首次运行需手动下载模型权重文件。",[100,101,102,103],"build-essential","cmake","libopencv-dev","libopencv-contrib-dev",[13,14],[106,107,108,109,110,111,112],"computer-vision","deep-learning","graph-neural-networks","image-matching","local-features","machine-learning","torch","2026-03-27T02:49:30.150509","2026-04-06T05:38:01.318925",[116,121,125,130,135,140],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},2142,"构建 pytlsd 时出现 CMake 非零退出状态错误如何解决？","这通常是由于系统 OpenCV 安装冲突导致的。请尝试执行以下命令移除系统 OpenCV 包：\n```\nsudo apt-get remove --purge libopencv-*\nsudo apt-get autoremove\n```\n然后检查并删除以下目录：`\u002Fusr\u002Flocal\u002Flib\u002Fcmake\u002Fopencv4` 和 `\u002Fusr\u002Flocal\u002Finclude\u002Fopencv4`。最后重新安装 OpenCV。","https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Fissues\u002F1",{"id":122,"question_zh":123,"answer_zh":124,"source_url":120},2143,"GlueStick 环境的正确安装和依赖配置步骤是什么？","推荐使用虚拟环境并按以下步骤操作：\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate\ngit clone --recursive https:\u002F\u002Fgithub.com\u002Fiago-suarez\u002Fpytlsd.git\npip install -r pytlsd\u002Frequirements.txt\npip install .\u002Fpytlsd\n```\n确保先清理旧版 OpenCV 再执行上述序列。",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},2144,"GlueStick 的训练代码在哪里可以获取？","训练代码已发布在独立的仓库 [GlueFactory](https:\u002F\u002Fgithub.com\u002Fcvg\u002Fglue-factory) 中。这是一个更大的框架，用于训练深度匹配器、使用不同的特征提取器、鲁棒估计器并提供多个评估基准。","https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Fissues\u002F9",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},2145,"如何使用线特征进行相对位姿估计？","仅靠线特征对应关系不足以解决一般相对位姿估计问题，因为它们提供的约束不够。如果需要最佳相对位姿估计结果，建议使用经典的点匹配 + 本质矩阵 5 点 RANSAC。论文中的相对位姿评估仅是为了间接评估单应性估计的质量。","https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Fissues\u002F6",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},2146,"如何优化数以百万计的图像对比较任务的性能？","可以通过预计算结果来减少重复计算。有用户修改了 `wireframe.py`，引入了 `h5py` 库将关键点、分数和描述符保存到 HDF5 文件中。通过检查 `save_path` 和 `image_id`，如果存在预计算数据则直接加载，从而避免冗余计算。","https:\u002F\u002Fgithub.com\u002Fcvg\u002FGlueStick\u002Fissues\u002F33",{"id":141,"question_zh":142,"answer_zh":143,"source_url":139},2147,"如何实现自定义的批量处理或并行化逻辑？","代码是按类分离的，每个类负责不同的步骤（如提取、匹配等）。建议调试代码以理解各个类的功能，然后在此基础上自行实现批量处理。如果有经济支持，也可以联系相关人员协助开发。",[145],{"id":146,"version":147,"summary_zh":79,"released_at":148},101625,"v0.1_arxiv","2023-04-03T23:13:21"]