[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dazinovic--neural-rgbd-surface-reconstruction":3,"tool-dazinovic--neural-rgbd-surface-reconstruction":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",140436,2,"2026-04-05T23:32:43",[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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":79,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":98,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":154},942,"dazinovic\u002Fneural-rgbd-surface-reconstruction","neural-rgbd-surface-reconstruction","Official implementation of the CVPR 2022 Paper \"Neural RGB-D Surface Reconstruction\"","neural-rgbd-surface-reconstruction 是 CVPR 2022 的一篇论文官方实现，专注于从 RGB-D 数据（彩色图+深度图）重建高质量的三维表面模型。它将隐式表面表示与神经辐射场（NeRF）技术相结合，能够处理真实扫描数据中常见的深度噪声和缺失问题，生成完整、精细的室内场景三维重建结果。\n\n这款工具主要解决了传统三维重建方法在面对消费级深度相机（如 Kinect、RealSense）采集的数据时，容易因深度噪声、孔洞和边缘伪影而导致重建质量下降的难题。通过神经网络学习场景的几何和外观，它能在优化过程中自动修复深度缺陷，输出平滑且细节丰富的表面模型。\n\nneural-rgbd-surface-reconstruction 适合有一定编程基础的计算机视觉研究者、三维重建开发者，以及需要处理室内场景扫描数据的技术人员使用。项目提供了完整的训练代码和预处理数据集，支持 ScanNet 等常见数据集格式，也允许用户自定义数据加载器。\n\n技术亮点方面，这项工作创新性地将符号距离函数（SDF）与体渲染结合，利用深度监督引导神经场收敛，同时通过精心设计的采样策略有效处","neural-rgbd-surface-reconstruction 是 CVPR 2022 的一篇论文官方实现，专注于从 RGB-D 数据（彩色图+深度图）重建高质量的三维表面模型。它将隐式表面表示与神经辐射场（NeRF）技术相结合，能够处理真实扫描数据中常见的深度噪声和缺失问题，生成完整、精细的室内场景三维重建结果。\n\n这款工具主要解决了传统三维重建方法在面对消费级深度相机（如 Kinect、RealSense）采集的数据时，容易因深度噪声、孔洞和边缘伪影而导致重建质量下降的难题。通过神经网络学习场景的几何和外观，它能在优化过程中自动修复深度缺陷，输出平滑且细节丰富的表面模型。\n\nneural-rgbd-surface-reconstruction 适合有一定编程基础的计算机视觉研究者、三维重建开发者，以及需要处理室内场景扫描数据的技术人员使用。项目提供了完整的训练代码和预处理数据集，支持 ScanNet 等常见数据集格式，也允许用户自定义数据加载器。\n\n技术亮点方面，这项工作创新性地将符号距离函数（SDF）与体渲染结合，利用深度监督引导神经场收敛，同时通过精心设计的采样策略有效处理深度传感器的不确定性。相比纯 RGB 的神经重建方法，它能更好地恢复场景尺度感和几何准确性；相比传统融合方法，则在复杂纹理区域和遮挡处理上表现更优。","# Neural RGB-D Surface Reconstruction\n\n### [Paper](https:\u002F\u002Fdazinovic.github.io\u002Fneural-rgbd-surface-reconstruction\u002Fstatic\u002Fpdf\u002Fneural_rgbd_surface_reconstruction.pdf) | [Project Page](https:\u002F\u002Fdazinovic.github.io\u002Fneural-rgbd-surface-reconstruction\u002F) | [Video](https:\u002F\u002Fyoutu.be\u002FiWuSowPsC3g)\n\n> Neural RGB-D Surface Reconstruction \u003Cbr \u002F>\n> [Dejan Azinović](http:\u002F\u002Fniessnerlab.org\u002Fmembers\u002Fdejan_azinovic\u002Fprofile.html), [Ricardo Martin-Brualla](https:\u002F\u002Fricardomartinbrualla.com\u002F), [Dan B Goldman](https:\u002F\u002Fwww.danbgoldman.com\u002Fhome\u002F), [Matthias Nießner](https:\u002F\u002Fwww.niessnerlab.org\u002Fmembers\u002Fmatthias_niessner\u002Fprofile.html), [Justus Thies](https:\u002F\u002Fjustusthies.github.io\u002F) \u003Cbr \u002F>\n> CVPR 2022\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"100%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdazinovic_neural-rgbd-surface-reconstruction_readme_b1604639d15c.jpg\"\u002F>\n\u003C\u002Fp>\n\nThis repository contains the code for the paper Neural RGB-D Surface Reconstruction, a novel approach for 3D reconstruction that combines implicit surface representations with neural radiance fields.\n\n## Installation\n\nYou can create a conda environment called neural_rgbd using:\n\n```\nconda env create -f environment.yaml\nconda activate neural_rgbd\n```\n\nMake sure to clone the external Marching Cubes dependency and install it in the same environment:\n\n```\ncd external\u002FNumpyMarchingCubes\npython setup.py install\n```\n\nYou can run an optimization using:\n\n```\npython optimize.py --config configs\u002F\u003Cconfig_file>.txt\n```\n\n## Data\n\nThe data needs to be in the following format:\n\n```\n\u003Cscene_name>            # args.datadir in the config file\n├── depth               # raw (real data) or ground truth (synthetic data) depth images (optional)\n    ├── depth0.png     \n    ├── depth1.png\n    ├── depth2.png\n    ...\n├── depth_filtered      # filtered depth images\n    ├── depth0.png     \n    ├── depth1.png\n    ├── depth2.png\n    ...\n├── depth_with_noise    # depth images with synthetic noise and artifacts (optional)\n    ├── depth0.png     \n    ├── depth1.png\n    ├── depth2.png\n    ...\n├── images              # RGB images\n    ├── img0.png     \n    ├── img1.png\n    ├── img2.png\n    ...\n├── focal.txt           # focal length\n├── poses.txt           # ground truth poses (optional)\n├── trainval_poses.txt  # camera poses used for optimization\n```\n\nThe dataloader is hard-coded to load depth maps from the `depth_filtered` folder. These depth maps have been generated from the raw ones (or `depth_with_noise` in the case of synthetic data) using the same bilateral filter that was used by BundleFusion. The method also works with the raw depth maps, but the results are slightly degraded.\n\nThe file `focal.txt` contains a single floating point value representing the focal length of the camera in pixels.\n\nThe files `poses.txt` and `trainval_poses.txt` contain the camera matrices in the format 4N x 4, where is the number of cameras in the trajectory. Like the NeRF paper, we use the OpenGL convention for the camera's coordinate system. If you run this code on ScanNet data, make sure to transform the poses to the OpenGL system, since ScanNet used a different convention.\n\nYou can also write your own dataloader. You can use the existing `load_scannet.py` as template and update `load_dataset.py`.\n\n### Dataset\n\nThe dataset used in the paper is available via the following link: \u003Ca href=\"https:\u002F\u002Fkaldir.vc.in.tum.de\u002Fneural_rgbd\u002Fneural_rgbd_data.zip\" target=\"_blank\" rel=\"noopener\">neural_rgbd_data.zip\u003C\u002Fa> (7.25 GB). The ICL data is not included here, but can be downloaded from the original author's [webpage](https:\u002F\u002Fwww.doc.ic.ac.uk\u002F~ahanda\u002FVaFRIC\u002Ficlnuim.html).\n\nThe scene files have been provided by various artists for free on BlendSwap. Please refer to the table below for license information and links to the .blend files.\n\n| License       | Scene name                                             |\n| ------------- | ------------------------------------------------------ |\n| CC-BY         | [Breakfast room](https:\u002F\u002Fblendswap.com\u002Fblend\u002F13363)    |\n| CC-0          | [Complete kitchen](https:\u002F\u002Fblendswap.com\u002Fblend\u002F11801)  |\n| CC-BY         | [Green room](https:\u002F\u002Fblendswap.com\u002Fblend\u002F8381)         |\n| CC-BY         | [Grey-white room](https:\u002F\u002Fblendswap.com\u002Fblend\u002F13552)   |\n| CC-BY         | [Kitchen](https:\u002F\u002Fblendswap.com\u002Fblend\u002F5156)            |\n| CC-0          | [Morning apartment](https:\u002F\u002Fblendswap.com\u002Fblend\u002F10350) |\n| CC-BY         | [Staircase](https:\u002F\u002Fblendswap.com\u002Fblend\u002F14449)         |\n| CC-BY         | [Thin geometry](https:\u002F\u002Fblendswap.com\u002Fblend\u002F8381)      |\n| CC-BY         | [Whiteroom](https:\u002F\u002Fblendswap.com\u002Fblend\u002F5014)          |\n\nWe also provide culled ground truth meshes and our method's meshes for evaluation purposes: \u003Ca href=\"https:\u002F\u002Fkaldir.vc.in.tum.de\u002Fneural_rgbd\u002Fmeshes.zip\" target=\"_blank\" rel=\"noopener\">meshes.zip\u003C\u002Fa> (514 MB).\n\n## Citation\n\nIf you use this code in your research, please consider citing:\n\n```\n@InProceedings{Azinovic_2022_CVPR,\n    author    = {Azinovi\\'c, Dejan and Martin-Brualla, Ricardo and Goldman, Dan B and Nie{\\ss}ner, Matthias and Thies, Justus},\n    title     = {Neural RGB-D Surface Reconstruction},\n    booktitle = {Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n    month     = {June},\n    year      = {2022},\n    pages     = {6290-6301}\n}\n```\n\n## Further information\n\nThe code is largely based on the original NeRF code by Mildenhall et al.\nhttps:\u002F\u002Fgithub.com\u002Fbmild\u002Fnerf\n\nThe Marching Cubes implementation was adapted from the SPSG code by Dai et al.\nhttps:\u002F\u002Fgithub.com\u002Fangeladai\u002Fspsg\n","# Neural RGB-D Surface Reconstruction（神经 RGB-D 表面重建）\n\n### [论文](https:\u002F\u002Fdazinovic.github.io\u002Fneural-rgbd-surface-reconstruction\u002Fstatic\u002Fpdf\u002Fneural_rgbd_surface_reconstruction.pdf) | [项目主页](https:\u002F\u002Fdazinovic.github.io\u002Fneural-rgbd-surface-reconstruction\u002F) | [视频](https:\u002F\u002Fyoutu.be\u002FiWuSowPsC3g)\n\n> Neural RGB-D Surface Reconstruction \u003Cbr \u002F>\n> [Dejan Azinović](http:\u002F\u002Fniessnerlab.org\u002Fmembers\u002Fdejan_azinovic\u002Fprofile.html), [Ricardo Martin-Brualla](https:\u002F\u002Fricardomartinbrualla.com\u002F), [Dan B Goldman](https:\u002F\u002Fwww.danbgoldman.com\u002Fhome\u002F), [Matthias Nießner](https:\u002F\u002Fwww.niessnerlab.org\u002Fmembers\u002Fmatthias_niessner\u002Fprofile.html), [Justus Thies](https:\u002F\u002Fjustusthies.github.io\u002F) \u003Cbr \u002F>\n> CVPR 2022\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"100%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdazinovic_neural-rgbd-surface-reconstruction_readme_b1604639d15c.jpg\"\u002F>\n\u003C\u002Fp>\n\n本仓库包含论文 Neural RGB-D Surface Reconstruction 的代码，这是一种将隐式表面表示（implicit surface representation）与神经辐射场（Neural Radiance Field, NeRF）相结合的新型 3D 重建方法。\n\n## 安装\n\n您可以使用以下命令创建名为 neural_rgbd 的 conda 环境：\n\n```\nconda env create -f environment.yaml\nconda activate neural_rgbd\n```\n\n请确保克隆外部 Marching Cubes 依赖项，并在同一环境中安装：\n\n```\ncd external\u002FNumpyMarchingCubes\npython setup.py install\n```\n\n您可以使用以下命令运行优化：\n\n```\npython optimize.py --config configs\u002F\u003Cconfig_file>.txt\n```\n\n## 数据\n\n数据需要采用以下格式：\n\n```\n\u003Cscene_name>            # 配置文件中的 args.datadir\n├── depth               # 原始（真实数据）或真值（合成数据）深度图像（可选）\n    ├── depth0.png     \n    ├── depth1.png\n    ├── depth2.png\n    ...\n├── depth_filtered      # 滤波后的深度图像\n    ├── depth0.png     \n    ├── depth1.png\n    ├── depth2.png\n    ...\n├── depth_with_noise    # 带有合成噪声和伪影的深度图像（可选）\n    ├── depth0.png     \n    ├── depth1.png\n    ├── depth2.png\n    ...\n├── images              # RGB 图像\n    ├── img0.png     \n    ├── img1.png\n    ├── img2.png\n    ...\n├── focal.txt           # 焦距\n├── poses.txt           # 真值相机位姿（可选）\n├── trainval_poses.txt  # 用于优化的相机位姿\n```\n\n数据加载器（dataloader）硬编码为从 `depth_filtered` 文件夹加载深度图。这些深度图是通过与 BundleFusion 相同的双边滤波器从原始深度图（或合成数据情况下的 `depth_with_noise`）生成的。该方法也可以使用原始深度图运行，但结果会略有下降。\n\n文件 `focal.txt` 包含一个浮点数值，表示相机的焦距（以像素为单位）。\n\n文件 `poses.txt` 和 `trainval_poses.txt` 包含相机矩阵，格式为 4N x 4，其中 N 是轨迹中的相机数量。与 NeRF 论文相同，我们使用 OpenGL 约定作为相机的坐标系。如果您在 ScanNet 数据上运行此代码，请确保将位姿转换为 OpenGL 系统，因为 ScanNet 使用了不同的约定。\n\n您也可以编写自己的数据加载器。可以使用现有的 `load_scannet.py` 作为模板，并更新 `load_dataset.py`。\n\n### 数据集\n\n论文中使用的数据集可通过以下链接获取：\u003Ca href=\"https:\u002F\u002Fkaldir.vc.in.tum.de\u002Fneural_rgbd\u002Fneural_rgbd_data.zip\" target=\"_blank\" rel=\"noopener\">neural_rgbd_data.zip\u003C\u002Fa>（7.25 GB）。ICL 数据未包含在此下载中，但可从原作者的[网页](https:\u002F\u002Fwww.doc.ic.ac.uk\u002F~ahanda\u002FVaFRIC\u002Ficlnuim.html)下载。\n\n场景文件由各位艺术家在 BlendSwap 上免费提供。有关许可证信息和 .blend 文件链接，请参阅下表。\n\n| 许可证       | 场景名称                                             |\n| ------------- | ------------------------------------------------------ |\n| CC-BY         | [Breakfast room](https:\u002F\u002Fblendswap.com\u002Fblend\u002F13363)    |\n| CC-0          | [Complete kitchen](https:\u002F\u002Fblendswap.com\u002Fblend\u002F11801)  |\n| CC-BY         | [Green room](https:\u002F\u002Fblendswap.com\u002Fblend\u002F8381)         |\n| CC-BY         | [Grey-white room](https:\u002F\u002Fblendswap.com\u002Fblend\u002F13552)   |\n| CC-BY         | [Kitchen](https:\u002F\u002Fblendswap.com\u002Fblend\u002F5156)            |\n| CC-0          | [Morning apartment](https:\u002F\u002Fblendswap.com\u002Fblend\u002F10350) |\n| CC-BY         | [Staircase](https:\u002F\u002Fblendswap.com\u002Fblend\u002F14449)         |\n| CC-BY         | [Thin geometry](https:\u002F\u002Fblendswap.com\u002Fblend\u002F8381)      |\n| CC-BY         | [Whiteroom](https:\u002F\u002Fblendswap.com\u002Fblend\u002F5014)          |\n\n我们还提供了用于评估的裁剪真值网格（culled ground truth meshes）和我们方法的网格：\u003Ca href=\"https:\u002F\u002Fkaldir.vc.in.tum.de\u002Fneural_rgbd\u002Fmeshes.zip\" target=\"_blank\" rel=\"noopener\">meshes.zip\u003C\u002Fa>（514 MB）。\n\n## 引用\n\n如果您在研究中使用了此代码，请考虑引用：\n\n```\n@InProceedings{Azinovic_2022_CVPR,\n    author    = {Azinovi\\'c, Dejan and Martin-Brualla, Ricardo and Goldman, Dan B and Nie{\\ss}ner, Matthias and Thies, Justus},\n    title     = {Neural RGB-D Surface Reconstruction},\n    booktitle = {Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n    month     = {June},\n    year      = {2022},\n    pages     = {6290-6301}\n}\n```\n\n## 更多信息\n\n本代码主要基于 Mildenhall 等人的原始 NeRF 代码。\nhttps:\u002F\u002Fgithub.com\u002Fbmild\u002Fnerf\n\nMarching Cubes 实现改编自 Dai 等人的 SPSG 代码。\nhttps:\u002F\u002Fgithub.com\u002Fangeladai\u002Fspsg","# Neural RGB-D Surface Reconstruction 快速上手指南\n\n## 环境准备\n\n| 项目 | 要求 |\n|:---|:---|\n| 操作系统 | Linux (推荐 Ubuntu 18.04+) |\n| Python | 3.7+ |\n| GPU | NVIDIA GPU，支持 CUDA |\n| 显存 | 建议 8GB+ |\n\n**前置依赖**：Anaconda\u002FMiniconda\n\n## 安装步骤\n\n### 1. 克隆仓库并创建环境\n\n```bash\n# 克隆主仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction.git\ncd neural-rgbd-surface-reconstruction\n\n# 创建 conda 环境\nconda env create -f environment.yaml\nconda activate neural_rgbd\n```\n\n### 2. 安装 Marching Cubes 依赖\n\n```bash\ncd external\u002FNumpyMarchingCubes\npython setup.py install\ncd ..\u002F..\n```\n\n## 基本使用\n\n### 准备数据\n\n数据目录结构示例（以 `scene_name` 为例）：\n\n```\nscene_name\u002F\n├── depth_filtered\u002F      # 滤波后的深度图（必需）\n│   ├── depth0.png\n│   ├── depth1.png\n│   └── ...\n├── images\u002F              # RGB 图像（必需）\n│   ├── img0.png\n│   ├── img1.png\n│   └── ...\n├── focal.txt            # 焦距（像素）\n└── trainval_poses.txt   # 相机位姿（4N×4 矩阵）\n```\n\n**关键说明**：\n- 深度图必须从 `depth_filtered` 目录加载\n- 相机位姿使用 **OpenGL 坐标系**（ScanNet 数据需转换）\n- `focal.txt` 为单精度浮点数\n\n### 运行优化\n\n```bash\npython optimize.py --config configs\u002F\u003Cconfig_file>.txt\n```\n\n示例（使用自带配置）：\n```bash\npython optimize.py --config configs\u002Fcomplete_kitchen.txt\n```\n\n### 快速测试：下载示例数据\n\n```bash\n# 下载论文数据集（7.25 GB）\nwget https:\u002F\u002Fkaldir.vc.in.tum.de\u002Fneural_rgbd\u002Fneural_rgbd_data.zip\n\n# 解压后按上述目录结构放置，修改配置文件中的 datadir 路径即可运行\n```\n\n---\n\n**提示**：如需自定义数据，参考 `load_scannet.py` 编写新的 dataloader，并在 `load_dataset.py` 中注册。","一家专注于文化遗产数字化的工作室正在对一座明代古建筑的内部结构进行高精度三维建模，用于虚拟展览和学术研究。\n\n### 没有 neural-rgbd-surface-reconstruction 时\n\n- **深度噪声导致模型失真**：传统 RGB-D 扫描设备在木质雕花、昏暗角落处采集的深度数据充满噪声，重建出的梁柱表面布满凹凸不平的伪影，需要人工花费数周时间逐帧修复\n- **纹理与几何割裂**：分别处理彩色图像和深度图后，贴图经常出现错位，斗拱结构的彩绘细节与几何模型无法精准对齐，影响学术测量的准确性\n- **透明\u002F反光材质失效**：窗户上的老旧玻璃和漆器表面的反光区域，传统方法直接丢失或生成空洞，导致模型不完整\n- **数据量与质量的权衡**：为提高精度而密集扫描会产生海量数据，普通工作站难以处理；降低采样率又丢失关键细节，陷入两难\n\n### 使用 neural-rgbd-surface-reconstruction 后\n\n- **神经隐式表面自动去噪**：利用神经辐射场与隐式表面的联合优化，即使输入含噪的原始深度图，也能恢复出平滑而准确的几何表面，木雕纹理清晰可辨，修复工作量降低 80% 以上\n- **RGB-D 联合优化实现像素级对齐**：彩色信息与几何表面在统一神经网络中共同优化，彩绘图案自动贴合到正确的三维位置，测量误差控制在毫米级\n- **神经渲染补全困难区域**：对于玻璃、反光等深度传感器失效的区域，借助神经辐射场的视图合成能力，从多视角 RGB 信息中推理出合理的几何结构，模型完整性显著提升\n- **紧凑的神经表示替代密集点云**：用轻量化的神经网络参数存储场景，同等精度下数据量仅为传统方法的 1\u002F10，普通 GPU 即可流畅处理大型古建场景\n\nneural-rgbd-surface-reconstruction 让文化遗产数字化团队能够以消费级 RGB-D 设备获得专业激光扫描仪级别的重建质量，大幅降低了高精度三维存档的技术门槛和成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdazinovic_neural-rgbd-surface-reconstruction_b1604639.jpg","dazinovic","Dejan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdazinovic_2f733451.png",null,"https:\u002F\u002Fgithub.com\u002Fdazinovic",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,626,58,"2026-04-01T13:06:20","Linux, macOS, Windows","未说明",{"notes":92,"python":90,"dependencies":93},"1. 使用 conda 创建环境，依赖环境文件为 environment.yaml；2. 需要额外编译安装 Marching Cubes 扩展库（位于 external\u002FNumpyMarchingCubes）；3. 数据加载器硬编码从 depth_filtered 文件夹读取深度图，需使用双边滤波预处理；4. 相机位姿需使用 OpenGL 坐标系约定，ScanNet 数据需转换坐标系；5. 代码基于原始 NeRF 实现，支持自定义数据加载器",[94,95,96],"conda","numpy","marching cubes",[14,54,13],[99,100,101,102],"3d-reconstruction","computer-vision","deep-learning","computer-graphics","2026-03-27T02:49:30.150509","2026-04-06T08:46:27.228036",[106,111,115,120,125,130,135,140,145,150],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},4138,"如何在真实世界数据集上运行？需要哪些预处理步骤？","要在真实世界数据集上运行，需要以下步骤：\n1. 使用 BundleFusion 或 COLMAP 生成相机位姿\n2. 深度图需要转换为米为单位（如 ScanNet 的深度图是毫米，需要除以 1000）\n3. 参考 Issue #2 中的方法对位姿进行变换（transform poses）\n4. 深度图不需要归一化到 0-1，保持与相机位姿一致的尺度即可\n\n注意：深度图的单位必须与相机位姿保持一致，方法支持不同的尺度，但需要统一。","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F5",{"id":112,"question_zh":113,"answer_zh":114,"source_url":110},4139,"如何处理相机内参中的 fx、fy、cx、cy？为什么只需要一个焦距值？","代码中只需要一个 focal length 值。如果你有完整的内参 fx、fy、cx、cy：\n- 可以将 fx 和 fy 作为 focal 值使用（通常取平均值或其中一个）\n- cx 和 cy（主点偏移）的处理方式在代码中没有明确说明，可能需要根据具体情况调整\n\n建议：尝试直接使用 fx 或 (fx+fy)\u002F2 作为 focal.txt 中的值，如果结果不理想，可能需要进一步调整位姿或检查坐标系对齐。",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},4140,"如何转换 ScanNet 数据集的位姿？","ScanNet 位姿转换公式（推测）：\n```\n[ 1  0  0  0 ]\n[ 0  0 -1  0 ]\n[ 0  1  0  0 ]\n[ 0  0  0  1 ] @ inv(T0) @ Tx\n```\n其中 T0 是 poses.txt 中的第一个位姿，Tx 是其余位姿。\n\n注意：该转换需要验证，不同场景可能需要调整。建议检查转换后的点云是否正确对齐。","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F2",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},4141,"配置文件中的 translation 参数 [-4.44, 0, 2.31] 有什么作用？","translation 参数用于定义场景的中心点或偏移量，不同场景有不同的值是为了：\n- 将场景坐标系原点移动到合适的位置\n- 确保场景位于神经网络的有效感知范围内\n- 每个场景需要根据其几何中心设置不同的 translation 值\n\n具体数值需要根据场景的实际位置和大小来确定。","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F4",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},4142,"SDF 在代码中的具体含义是什么？是归一化值还是实际距离？","代码中 SDF 有两种使用方式：\n\n1. 在损失函数中（losses.py）：SDF 是实际距离与截断值（truncation）的比值，即归一化值\n2. 在渲染函数中（optimize.py）：SDF 表示归一化空间中的距离\n\n关于 mask 的作用：一条光线可能穿过多个表面，因此需要 mask 掉第一个截断区域之后的采样点，只保留第一个表面的有效区域。\n\n零交叉检测使用 `signs = sdf[:, 1:] * sdf[:, :-1]` 是为了显式搜索符号变化点，其他等效实现也可以。","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F12",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},4143,"如何制作自己的数据集？","自定义数据集需要按以下目录结构组织：\n```\n\u003Cscene_name>\u002F              # config 中的 datadir\n├── depth\u002F                 # 留空\n├── depth_filtered\u002F        # 深度图（已过滤）\n│   ├── depth0.png\n│   ├── depth1.png\n│   └── ...\n├── images\u002F                # RGB 图像\n│   ├── img0.png\n│   ├── img1.png\n│   └── ...\n├── focal.txt              # 相机焦距\n└── trainval_poses.txt     # 用于优化的相机位姿\n```\n\n深度图和位姿生成：\n- 使用 BundleFusion 或 COLMAP 生成位姿\n- 深度图格式为 PNG，单位为米\n- focal.txt 中只包含一个焦距值","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F16",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},4144,"如何从训练好的模型中提取带颜色的网格（colored mesh）？","目前该问题尚未有明确的官方解决方案。参考原始 NeRF 的方法（bmild\u002Fnerf#44）在该项目中效果不佳。\n\n可能的尝试方向：\n- 使用类似 NeRF 的虚拟相机方法提取顶点颜色\n- 需要调整颜色提取策略以适应 SDF 表示\n\n该项目目前主要关注几何重建，颜色网格提取需要进一步探索。","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F10",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},4145,"评估时如何处理重建结果周围的杂乱块状伪影（wired blocks）？","重建结果周围的杂乱块状伪影是常见问题，处理方法：\n\n1. 使用 retrieval-fuse 的评估代码进行后处理\n2. 在评估前进行几何清理（如去除离群点、小连通区域过滤）\n3. 参考指标：IoU、Chamfer-L1、法向正确性、F-score\n\n典型评估结果参考：\n- IoU: ~0.53\n- Chamfer-L1: ~0.22\n- 法向正确性: ~0.77\n- F-score@1%: ~0.88\n- F-score@1.5%: ~0.96","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F13",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},4146,"数据集下载链接失效怎么办？","官方数据集下载地址 http:\u002F\u002Fkaldir.vc.in.tum.de\u002Fneural_rgbd\u002Fneural_rgbd_data.zip 可能出现无响应的情况。\n\n解决方案：\n- 联系作者 @dazinovic 请求重新上传或发送副本\n- 检查网络连接，该服务器位于德国，可能需要等待或重试\n- 关注 GitHub Issues 更新，作者可能会提供备用下载链接","https:\u002F\u002Fgithub.com\u002Fdazinovic\u002Fneural-rgbd-surface-reconstruction\u002Fissues\u002F47",{"id":151,"question_zh":152,"answer_zh":153,"source_url":139},4147,"如何提取优化后的相机位姿？","使用 `extract_optimized_poses.py` 脚本可以提取优化后的位姿。\n\n该脚本会在训练完成后，从优化过程中保存的位姿参数中提取最终的相机位姿，输出格式与输入的 trainval_poses.txt 类似，但经过了神经网络的联合优化。",[]]