[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-loicland--superpoint_graph":3,"tool-loicland--superpoint_graph":64},[4,17,27,35,44,52],{"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":10,"last_commit_at":41,"category_tags":42,"status":16},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[13,14,15,43],"视频",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":23,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":23,"last_commit_at":58,"category_tags":59,"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",[14,60,43,61,15,62,26,13,63],"数据工具","插件","其他","音频",{"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":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":102,"env_os":103,"env_gpu":104,"env_ram":105,"env_deps":106,"category_tags":120,"github_topics":121,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":133,"updated_at":134,"faqs":135,"releases":164},4113,"loicland\u002Fsuperpoint_graph","superpoint_graph","Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs","superpoint_graph 是一个基于 PyTorch 的开源项目，旨在解决大规模点云数据的语义分割难题。面对激光雷达扫描等产生的海量三维点数据，传统方法往往难以兼顾处理速度与精度。该工具通过引入“超点图”（Superpoint Graph）概念，先将几何特征相似的点聚类为“超点”，再构建图结构进行上下文学习，从而高效地识别场景中不同物体的类别。\n\n其核心技术亮点在于独特的两阶段策略：首先利用几何过分割生成基础单元，随后结合深度度量学习优化分区，显著降低了计算复杂度并提升了分割的一致性。作为 CVPR 2018 和 2019 相关论文的官方实现，它为三维视觉研究提供了重要的基准参考。\n\n需要注意的是，该项目目前已停止维护，作者建议新用户转向其继任者\"SuperPoint Transformer\"以获取更优性能。因此，superpoint_graph 更适合需要复现经典算法、研究超点图理论演进的研究人员，或希望在特定旧版环境中部署的开发者使用。对于寻求最新生产级解决方案的用户，建议优先考虑其更新版本。","\n# Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs\n\n## ⚠️ This repo is no longer maintained! Please check out our brand new [*SuperPoint Transformer*](https:\u002F\u002Fgithub.com\u002Fdrprojects\u002Fsuperpoint_transformer), which does everything better! ⚠️\n\n\n\nThis is the official PyTorch implementation of the papers:\n\n[*Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs*](http:\u002F\u002Farxiv.org\u002Fabs\u002F1711.09869)\n\nby Loic Landrieu and Martin Simonovski (CVPR2018),\n\nand \n\n[*Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning*](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1904.02113).\n\nby Loic Landrieu and Mohamed Boussaha (CVPR2019),\n\n\u003Cimg src=\"http:\u002F\u002Fimagine.enpc.fr\u002F~simonovm\u002Flargescale\u002Fteaser.jpg\" width=\"900\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floicland_superpoint_graph_readme_4c24e05fe6ff.png\" width=\"900\">\n\n## Code structure\n* `.\u002Fpartition\u002F*` - Partition code (geometric partitioning and superpoint graph construction using handcrafted features)\n* `.\u002Fsupervized_partition\u002F*` - Supervized partition code (partitioning with learned features)\n* `.\u002Flearning\u002F*` - Learning code (superpoint embedding and contextual segmentation).\n\nTo switch to the stable branch with only SPG, switch to [release](https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\u002Ftree\u002Frelease).\n\n## Disclaimer\nOur partition method is inherently stochastic. Hence, even if we provide the trained weights, it is possible that the results that you obtain differ slightly from the ones presented in the paper.\n\n## Requirements \n*0.* Download current version of the repository. We recommend using the `--recurse-submodules` option to make sure the [cut pursuit](https:\u002F\u002Fgithub.com\u002Floicland\u002Fcut-pursuit) module used in `\u002Fpartition` is downloaded in the process. Wether you did not used the following command, please, refer to point 4: \u003Cbr>\n```\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\n```\n\n*1.* Install [PyTorch](https:\u002F\u002Fpytorch.org) and [torchnet](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftnt).\n```\npip install git+https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftnt.git@master\n``` \n\n*2.* Install additional Python packages:\n```\npip install future igraph tqdm transforms3d pynvrtc fastrlock cupy h5py sklearn plyfile scipy pandas\n```\n\n*3.* Install Boost (1.63.0 or newer) and Eigen3, in Conda:\u003Cbr>\n```\nconda install -c anaconda boost; conda install -c omnia eigen3; conda install eigen; conda install -c r libiconv\n```\n\n*4.* Make sure that cut pursuit was downloaded. Otherwise, clone [this repository](https:\u002F\u002Fgithub.com\u002Floicland\u002Fcut-pursuit) or add it as a submodule in `\u002Fpartition`: \u003Cbr>\n```\ncd partition\ngit submodule init\ngit submodule update --remote cut-pursuit\n```\n\n*5.* Compile the ```libply_c``` and ```libcp``` libraries:\n```\nCONDAENV=YOUR_CONDA_ENVIRONMENT_LOCATION\ncd partition\u002Fply_c\ncmake . -DPYTHON_LIBRARY=$CONDAENV\u002Flib\u002Flibpython3.6m.so -DPYTHON_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Fpython3.6m -DBOOST_INCLUDEDIR=$CONDAENV\u002Finclude -DEIGEN3_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Feigen3\nmake\ncd ..\ncd cut-pursuit\nmkdir build\ncd build\ncmake .. -DPYTHON_LIBRARY=$CONDAENV\u002Flib\u002Flibpython3.6m.so -DPYTHON_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Fpython3.6m -DBOOST_INCLUDEDIR=$CONDAENV\u002Finclude -DEIGEN3_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Feigen3\nmake\n```\n*6.* (optional) Install [Pytorch Geometric](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric)\n\nThe code was tested on Ubuntu 14 and 16 with Python 3.5 to 3.8 and PyTorch 0.2 to 1.3.\n\n### Troubleshooting\n\nCommon sources of errors and how to fix them:\n- $CONDAENV is not well defined : define it or replace $CONDAENV by the absolute path of your conda environment (find it with ```locate anaconda```)\n- anaconda uses a different version of python than 3.6m : adapt it in the command. Find which version of python conda is using with ```locate anaconda3\u002Flib\u002Flibpython```\n- you are using boost 1.62 or older: update it\n- cut pursuit did not download: manually clone it in the ```partition``` folder or add it as a submodule as proposed in the requirements, point 4.\n- error in make: `'numpy\u002Fndarrayobject.h' file not found`: set symbolic link to python site-package with `sudo ln -s $CONDAENV\u002Flib\u002Fpython3.7\u002Fsite-packages\u002Fnumpy\u002Fcore\u002Finclude\u002Fnumpy $CONDAENV\u002Finclude\u002Fnumpy`\n\n\n## Running the code\n\nTo run our code or retrain from scratch on different datasets, see the corresponding readme files.\nCurrently supported dataset are as follow:\n\n| Dataset    | handcrafted partition | learned partition | \n| ---------- | --------------------- | ------------------|\n| S3DIS      |  yes                  | yes               |\n| Semantic3D |  yes                  | to come soon      |\n| vKITTI3D   |  no                   | yes               |\n| ScanNet    |  to come soon         | to come soon      |\n\nTo use pytorch-geometric graph convolutions instead of our own, use the option `--use_pyg 1` in `.\u002Flearning\u002Fmain.py`. Their code is more stable and just as fast. Otherwise, use `--use_pyg 0` \n\n#### Evaluation\n\nTo evaluate quantitatively a trained model, use (for S3DIS and vKITTI3D only): \n```\npython learning\u002Fevaluate.py --dataset s3dis --odir results\u002Fs3dis\u002Fbest --cvfold 123456\n``` \n\nTo visualize the results and all intermediary steps, use the visualize function in partition (for S3DIS, vKITTI3D,a nd Semantic3D). For example:\n```\npython partition\u002Fvisualize.py --dataset s3dis --ROOT_PATH $S3DIR_DIR --res_file results\u002Fs3dis\u002Fpretrained\u002Fcv1\u002Fpredictions_test --file_path Area_1\u002FconferenceRoom_1 --output_type igfpres\n```\n\n```output_type``` defined as such:\n- ```'i'``` = input rgb point cloud\n- ```'g'``` = ground truth (if available), with the predefined class to color mapping\n- ```'f'``` = geometric feature with color code: red = linearity, green = planarity, blue = verticality\n- ```'p'``` = partition, with a random color for each superpoint\n- ```'r'``` = result cloud, with the predefined class to color mapping\n- ```'e'``` = error cloud, with green\u002Fred hue for correct\u002Ffaulty prediction \n- ```'s'``` = superedge structure of the superpoint (toggle wireframe on meshlab to view it)\n\nAdd option ```--upsample 1``` if you want the prediction file to be on the original, unpruned data (long).\n\n# Other data sets\n\nYou can apply SPG on your own data set with minimal changes:\n- adapt references to ```custom_dataset``` in ```\u002Fpartition\u002Fpartition.py```\n- you will need to create the function ```read_custom_format``` in ```\u002Fpartition\u002Fprovider.py``` which outputs xyz and rgb values, as well as semantic labels if available (already implemented for ply and las files)\n- adapt the template function ```\u002Flearning\u002Fcustom_dataset.py``` to your achitecture and design choices\n- adapt references to ```custom_dataset``` in ```\u002Flearning\u002Fmain.py```\n- add your data set colormap to ```get_color_from_label``` in ```\u002Fpartition\u002Fprovider.py```\n- adapt line 212 of `learning\u002Fspg.py` to reflect the missing or extra point features\n- change ```--model_config``` to ```gru_10,f_K``` with ```K``` as the number of classes in your dataset, or ```gru_10_0,f_K``` to use matrix edge filters instead of vectors (only use matrices when your data set is quite large, and with many different point clouds, like S3DIS).\n\n# Datasets without RGB\nIf your data does not have RGB values you can easily use SPG. You will need to follow the instructions in ```partition\u002Fpartition.ply``` regarding the pruning.\nYou will need to adapt the ```\u002Flearning\u002Fcustom_dataset.py``` file so that it does not refer ro RGB values.\nYou should absolutely not use a model pretrained on values with RGB. instead, retrain a model from scratch using the ```--pc_attribs xyzelpsv``` option to remove RGB from the shape embedding input.\n\n# Citation\nIf you use the semantic segmentation module (code in `\u002Flearning`), please cite:\u003Cbr\u002F>\n*Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs*, Loic Landrieu and Martin Simonovski, CVPR, 2018.\n\nIf you use the learned partition module (code in `\u002Fsupervized_partition`), please cite:\u003Cbr\u002F> \n*Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning*, Loic Landrieu and Mohamed Boussaha CVPR, 2019.\n\nTo refer to the handcrafted partition (code in `\u002Fpartition`) step specifically, refer to:\u003Cbr\u002F>\n*Weakly Supervised Segmentation-Aided Classification of Urban Scenes from 3D LiDAR Point Clouds*, Stéphane Guinard and Loic Landrieu. ISPRS Workshop, 2017.\n\nTo refer to the L0-cut pursuit algorithm (code in `github.com\u002Floicland\u002Fcut-pursuit`)  specifically, refer to:\u003Cbr\u002F>\n*Cut Pursuit: Fast Algorithms to Learn Piecewise Constant Functions on General Weighted Graphs*, Loic Landrieu and Guillaume Obozinski, SIAM Journal on Imaging Sciences, 2017\n\nTo refer to pytorch geometric implementation, see their bibtex in [their repo](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric).\n\n\n","# 基于超点图的大规模点云语义分割\n\n## ⚠️ 此仓库已不再维护！请查看我们全新的 [*SuperPoint Transformer*](https:\u002F\u002Fgithub.com\u002Fdrprojects\u002Fsuperpoint_transformer)，它在各方面都更优秀！⚠️\n\n\n\n这是以下两篇论文的官方 PyTorch 实现：\n\n[*基于超点图的大规模点云语义分割*](http:\u002F\u002Farxiv.org\u002Fabs\u002F1711.09869)\n\n由 Loic Landrieu 和 Martin Simonovski 撰写（CVPR2018），以及 \n\n[*基于图结构深度度量学习的点云超分割*](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1904.02113)。\n\n由 Loic Landrieu 和 Mohamed Boussaha 撰写（CVPR2019），\n\n\u003Cimg src=\"http:\u002F\u002Fimagine.enpc.fr\u002F~simonovm\u002Flargescale\u002Fteaser.jpg\" width=\"900\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floicland_superpoint_graph_readme_4c24e05fe6ff.png\" width=\"900\">\n\n## 代码结构\n* `.\u002Fpartition\u002F*` - 分割代码（使用手工特征进行几何分割和超点图构建）\n* `.\u002Fsupervized_partition\u002F*` - 有监督分割代码（使用学习到的特征进行分割）\n* `.\u002Flearning\u002F*` - 学习代码（超点嵌入和上下文语义分割）。\n\n若要切换到仅包含 SPG 的稳定分支，请切换至 [release](https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\u002Ftree\u002Frelease)。\n\n## 免责声明\n我们的分割方法本质上是随机的。因此，即使我们提供了训练好的权重，您得到的结果仍可能与论文中展示的结果略有不同。\n\n## 需求\n*0.* 下载当前版本的仓库。建议使用 `--recurse-submodules` 选项，以确保 `\u002Fpartition` 中使用的 [cut pursuit](https:\u002F\u002Fgithub.com\u002Floicland\u002Fcut-pursuit) 模块也被一同下载。如果您未使用以下命令，请参阅第 4 点：\u003Cbr>\n```\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\n```\n\n*1.* 安装 [PyTorch](https:\u002F\u002Fpytorch.org) 和 [torchnet](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftnt)。\n```\npip install git+https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftnt.git@master\n``` \n\n*2.* 安装其他 Python 包：\n```\npip install future igraph tqdm transforms3d pynvrtc fastrlock cupy h5py sklearn plyfile scipy pandas\n```\n\n*3.* 在 Conda 中安装 Boost（1.63.0 或更高版本）和 Eigen3：\u003Cbr>\n```\nconda install -c anaconda boost; conda install -c omnia eigen3; conda install eigen; conda install -c r libiconv\n```\n\n*4.* 确保 cut pursuit 已被下载。否则，请克隆 [此仓库](https:\u002F\u002Fgithub.com\u002Floicland\u002Fcut-pursuit) 或将其作为子模块添加到 `\u002Fpartition`：\u003Cbr>\n```\ncd partition\ngit submodule init\ngit submodule update --remote cut-pursuit\n```\n\n*5.* 编译 ```libply_c``` 和 ```libcp``` 库：\n```\nCONDAENV=YOUR_CONDA_ENVIRONMENT_LOCATION\ncd partition\u002Fply_c\ncmake . -DPYTHON_LIBRARY=$CONDAENV\u002Flib\u002Flibpython3.6m.so -DPYTHON_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Fpython3.6m -DBOOST_INCLUDEDIR=$CONDAENV\u002Finclude -DEIGEN3_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Feigen3\nmake\ncd ..\ncd cut-pursuit\nmkdir build\ncd build\ncmake .. -DPYTHON_LIBRARY=$CONDAENV\u002Flib\u002Flibpython3.6m.so -DPYTHON_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Fpython3.6m -DBOOST_INCLUDEDIR=$CONDAENV\u002Finclude -DEIGEN3_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Feigen3\nmake\n```\n*6.*（可选）安装 [Pytorch Geometric](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric)\n\n该代码已在 Ubuntu 14 和 16 上，使用 Python 3.5 至 3.8 以及 PyTorch 0.2 至 1.3 进行测试。\n\n### 故障排除\n\n常见错误及其解决方法：\n- $CONDAENV 定义不正确：请定义它，或将 $CONDAENV 替换为您 Conda 环境的绝对路径（可通过 ```locate anaconda``` 查找）。\n- Anaconda 使用的 Python 版本不是 3.6m：请在命令中相应调整。可通过 ```locate anaconda3\u002Flib\u002Flibpython``` 查看 Conda 使用的 Python 版本。\n- 您正在使用 Boost 1.62 或更早版本：请升级。\n- cut pursuit 未下载：请手动将其克隆到 `partition` 文件夹中，或按照需求第 4 点所述将其添加为子模块。\n- make 报错：“'numpy\u002Fndarrayobject.h' 文件未找到”：通过 `sudo ln -s $CONDAENV\u002Flib\u002Fpython3.7\u002Fsite-packages\u002Fnumpy\u002Fcore\u002Finclude\u002Fnumpy $CONDAENV\u002Finclude\u002Fnumpy` 设置指向 Python site-package 的符号链接。\n\n\n## 运行代码\n\n要运行我们的代码或从头开始在不同数据集上重新训练，请参阅相应的 README 文件。目前支持的数据集如下：\n\n| 数据集    | 手工特征分割 | 学习特征分割 | \n| ---------- | --------------------- | ------------------|\n| S3DIS      |  是                  | 是               |\n| Semantic3D |  是                  | 即将支持      |\n| vKITTI3D   |  否                   | 是               |\n| ScanNet    |  即将支持         | 即将支持      |\n\n若要使用 PyTorch Geometric 的图卷积代替我们自己的实现，请在 `.\u002Flearning\u002Fmain.py` 中使用 `--use_pyg 1` 选项。他们的代码更加稳定且速度相当。否则，请使用 `--use_pyg 0`。\n\n#### 评估\n\n要定量评估训练好的模型，请使用（仅限 S3DIS 和 vKITTI3D）：\n```\npython learning\u002Fevaluate.py --dataset s3dis --odir results\u002Fs3dis\u002Fbest --cvfold 123456\n``` \n\n要可视化结果及所有中间步骤，请使用 partition 中的可视化函数（适用于 S3DIS、vKITTI3D 和 Semantic3D）。例如：\n```\npython partition\u002Fvisualize.py --dataset s3dis --ROOT_PATH $S3DIR_DIR --res_file results\u002Fs3dis\u002Fpretrained\u002Fcv1\u002Fpredictions_test --file_path Area_1\u002FconferenceRoom_1 --output_type igfpres\n```\n\n```output_type``` 的定义如下：\n- `'i'` = 输入 RGB 点云\n- `'g'` = 真实标签（如有），采用预定义的类别颜色映射\n- `'f'` = 几何特征，颜色编码：红色表示线性度，绿色表示平面度，蓝色表示垂直度\n- `'p'` = 分割结果，每个超点随机分配一种颜色\n- `'r'` = 结果点云，采用预定义的类别颜色映射\n- `'e'` = 错误点云，正确预测为绿色，错误预测为红色\n- `'s'` = 超点的超边结构（可在 MeshLab 中开启线框模式查看）\n\n如果您希望预测文件基于原始未修剪的数据（较长），请添加 `--upsample 1` 选项。\n\n# 其他数据集\n\n您可以在自己的数据集上应用 SPG，只需进行少量修改：\n- 在 ```\u002Fpartition\u002Fpartition.py``` 中将引用调整为 ```custom_dataset```\n- 您需要在 ```\u002Fpartition\u002Fprovider.py``` 中创建函数 ```read_custom_format```，该函数应输出 xyz 和 rgb 值，以及语义标签（对于 ply 和 las 文件，此功能已实现）\n- 根据您的架构和设计选择，调整模板函数 ```\u002Flearning\u002Fcustom_dataset.py```\n- 在 ```\u002Flearning\u002Fmain.py``` 中将引用调整为 ```custom_dataset```\n- 将您的数据集颜色映射添加到 ```\u002Fpartition\u002Fprovider.py``` 中的 ```get_color_from_label```\n- 调整 `learning\u002Fspg.py` 的第 212 行，以反映缺失或额外的点特征\n- 将 ```--model_config``` 更改为 ```gru_10,f_K```，其中 ```K``` 为数据集的类别数；或者使用 ```gru_10_0,f_K``` 来采用矩阵边滤波器而非向量（仅当您的数据集非常大且包含许多不同的点云时才使用矩阵，例如 S3DIS）。\n\n# 不含 RGB 的数据集\n如果您的数据不包含 RGB 值，也可以轻松使用 SPG。您需要按照 ```partition\u002Fpartition.ply``` 中关于修剪的说明进行操作。\n此外，您还需要修改 ```\u002Flearning\u002Fcustom_dataset.py``` 文件，使其不再引用 RGB 值。\n切勿使用基于包含 RGB 值的数据预训练的模型。相反，请从头开始重新训练模型，并使用 ```--pc_attribs xyzelpsv``` 选项来从形状嵌入输入中移除 RGB。\n\n# 引用\n如果您使用语义分割模块（代码位于 `\u002Flearning` 目录下），请引用以下文献：\u003Cbr\u002F>\n*Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs*, Loic Landrieu and Martin Simonovski, CVPR, 2018.\n\n如果您使用学习型分割模块（代码位于 `\u002Fsupervized_partition` 目录下），请引用以下文献：\u003Cbr\u002F> \n*Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning*, Loic Landrieu and Mohamed Boussaha CVPR, 2019.\n\n若需专门提及手工制作的分割步骤（代码位于 `\u002Fpartition` 目录下），请参考：\u003Cbr\u002F>\n*Weakly Supervised Segmentation-Aided Classification of Urban Scenes from 3D LiDAR Point Clouds*, Stéphane Guinard and Loic Landrieu. ISPRS Workshop, 2017.\n\n若需专门提及 L0-cut 追踪算法（代码位于 `github.com\u002Floicland\u002Fcut-pursuit`），请参考：\u003Cbr\u002F>\n*Cut Pursuit: Fast Algorithms to Learn Piecewise Constant Functions on General Weighted Graphs*, Loic Landrieu and Guillaume Obozinski, SIAM Journal on Imaging Sciences, 2017。\n\n有关 PyTorch Geometric 的实现，请参阅其 [GitHub 仓库](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric) 中的 BibTeX 条目。","# Superpoint Graph 快速上手指南\n\n> **⚠️ 重要提示**：本仓库已停止维护。作者推荐使用全新的 [SuperPoint Transformer](https:\u002F\u002Fgithub.com\u002Fdrprojects\u002Fsuperpoint_transformer)，其性能更优且功能更全面。本文档仅适用于需要复现旧版论文结果或特定研究需求的用户。\n\nSuperpoint Graph (SPG) 是用于大规模点云语义分割的官方 PyTorch 实现，基于 CVPR 2018 和 2019 的两篇论文。它通过构建超点图（Superpoint Graph）来实现高效的点云过分割和上下文分割。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (测试于 Ubuntu 14\u002F16)\n*   **Python 版本**: 3.5 - 3.8\n*   **PyTorch 版本**: 0.2 - 1.3\n*   **核心依赖**:\n    *   Boost (>= 1.63.0)\n    *   Eigen3\n    *   CUDA (用于编译部分库)\n\n## 安装步骤\n\n### 1. 克隆代码库\n建议使用 `--recurse-submodules` 参数一次性下载主代码及所需的 `cut-pursuit` 子模块。\n\n```bash\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\ncd superpoint_graph\n```\n\n### 2. 安装 Python 依赖\n安装 PyTorch、torchnet 及其他必要的 Python 包。国内用户可使用清华源或阿里源加速安装。\n\n```bash\n# 安装 torchnet\npip install git+https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftnt.git@master\n\n# 安装其他依赖 (建议配置国内 pip 源)\npip install future igraph tqdm transforms3d pynvrtc fastrlock cupy h5py sklearn plyfile scipy pandas\n```\n\n### 3. 安装系统级依赖 (Conda)\n使用 Conda 安装 Boost 和 Eigen3 库是最简便的方式。\n\n```bash\nconda install -c anaconda boost\nconda install -c omnia eigen3\nconda install eigen\nconda install -c r libiconv\n```\n\n### 4. 确认子模块\n如果第 1 步未成功下载 `cut-pursuit`，请手动执行以下命令：\n\n```bash\ncd partition\ngit submodule init\ngit submodule update --remote cut-pursuit\ncd ..\n```\n\n### 5. 编译 C++ 扩展库\n需要编译 `libply_c` 和 `libcp` 库。**注意**：请将命令中的 `YOUR_CONDA_ENVIRONMENT_LOCATION` 替换为您实际的 Conda 环境绝对路径（可通过 `conda info --envs` 查看）。同时，请根据实际安装的 Python 版本（如 `python3.7m`）调整命令中的版本号。\n\n```bash\n# 设置环境变量 (请修改为实际路径)\nexport CONDAENV=\u002Fpath\u002Fto\u002Fyour\u002Fconda\u002Fenv\n\n# 编译 libply_c\ncd partition\u002Fply_c\ncmake . -DPYTHON_LIBRARY=$CONDAENV\u002Flib\u002Flibpython3.7m.so -DPYTHON_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Fpython3.7m -DBOOST_INCLUDEDIR=$CONDAENV\u002Finclude -DEIGEN3_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Feigen3\nmake\ncd ..\n\n# 编译 libcp (cut-pursuit)\ncd cut-pursuit\nmkdir build\ncd build\ncmake .. -DPYTHON_LIBRARY=$CONDAENV\u002Flib\u002Flibpython3.7m.so -DPYTHON_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Fpython3.7m -DBOOST_INCLUDEDIR=$CONDAENV\u002Finclude -DEIGEN3_INCLUDE_DIR=$CONDAENV\u002Finclude\u002Feigen3\nmake\ncd ..\u002F..\n```\n\n*(可选) 安装 PyTorch Geometric:*\n如果需要更稳定的图卷积操作，可安装 PyG 并在运行时启用：\n```bash\npip install torch-geometric\n```\n\n## 基本使用\n\n目前支持的数据集包括 S3DIS, Semantic3D, vKITTI3D 等。以下以 **S3DIS** 数据集为例展示基本用法。\n\n### 1. 模型评估\n使用预训练模型对 S3DIS 数据集进行定量评估（假设已下载预训练权重至 `results\u002Fs3dis\u002Fbest`）：\n\n```bash\npython learning\u002Fevaluate.py --dataset s3dis --odir results\u002Fs3dis\u002Fbest --cvfold 123456\n```\n\n### 2. 结果可视化\n可视化输入点云、真值、分割结果及误差分析。以下命令展示 S3DIS 中 `Area_1\u002FconferenceRoom_1` 的预测结果：\n\n```bash\n# 请替换 $S3DIR_DIR 为您的数据集根目录路径\npython partition\u002Fvisualize.py --dataset s3dis --ROOT_PATH $S3DIR_DIR --res_file results\u002Fs3dis\u002Fpretrained\u002Fcv1\u002Fpredictions_test --file_path Area_1\u002FconferenceRoom_1 --output_type igfpres\n```\n\n**输出类型说明 (`--output_type`):**\n*   `i`: 输入 RGB 点云\n*   `g`: 地面真值 (Ground Truth)\n*   `f`: 几何特征 (红=线性度，绿=平面度，蓝=垂直度)\n*   `p`: 超点分割结果 (每个超点随机颜色)\n*   `r`: 最终语义分割结果\n*   `e`: 误差云 (绿色=正确，红色=错误)\n*   `s`: 超边结构 (需在 Meshlab 中开启线框模式查看)\n\n若需将预测结果上采样至原始未修剪的点云数据，请添加 `--upsample 1` 参数。\n\n### 3. 使用自定义数据集\n若需处理自有数据，需进行以下最小化修改：\n1.  在 `\u002Fpartition\u002Fpartition.py` 和 `\u002Flearning\u002Fmain.py` 中将数据集引用改为 `custom_dataset`。\n2.  在 `\u002Fpartition\u002Fprovider.py` 中实现 `read_custom_format` 函数以读取 xyz, rgb 及标签。\n3.  修改 `\u002Flearning\u002Fcustom_dataset.py` 以适配您的数据结构。\n4.  在 `\u002Fpartition\u002Fprovider.py` 的 `get_color_from_label` 中添加类别颜色映射。\n5.  调整 `learning\u002Fspg.py` 第 212 行以匹配点特征维度。\n6.  运行训练时，通过 `--model_config` 指定类别数，例如 `gru_10,f_K` (K 为类别数)。\n\n**注意**：如果您的数据**不包含 RGB 信息**，请勿使用预训练模型。必须从头训练，并使用 `--pc_attribs xyzelpsv` 参数移除 RGB 输入。","某智慧城市测绘团队正致力于将无人机采集的千万级激光雷达点云数据转化为可编辑的 3D 城市模型，以便进行道路规划与设施管理。\n\n### 没有 superpoint_graph 时\n- **处理效率极低**：面对数亿个原始点云数据，传统逐点分类算法内存溢出或需耗时数天才能完成一次分割，严重拖慢项目进度。\n- **语义边界模糊**：由于缺乏对局部几何结构的聚合，路灯、行道树等细小物体常被错误归类为地面或建筑噪声，导致模型细节丢失。\n- **人工修正成本高**：自动化结果不可用，工程师不得不手动在三维软件中逐个框选和修正地物类别，人力成本占据预算的 60% 以上。\n- **尺度适应性差**：算法难以同时兼顾大范围地形与小尺寸设施，调整参数往往顾此失彼，无法在大场景下保持一致的分割精度。\n\n### 使用 superpoint_graph 后\n- **大规模快速分割**：superpoint_graph 先将点云过分割为“超点”并构建图结构，将计算量降低数个数量级，使千万级点云分割在数小时内即可完成。\n- **结构感知更精准**：利用超点间的拓扑关系和上下文信息，工具能清晰区分紧邻但语义不同的物体（如人行道与车道），显著提升了细小设施的识别率。\n- **自动化程度飞跃**：生成的语义标签准确率大幅提升，人工仅需对极少数复杂区域进行微调，后期处理人力投入减少超过 80%。\n- **鲁棒性显著增强**：基于图的度量学习机制让模型在不同密度和尺度的扫描数据中均表现稳定，无需针对不同街区反复调整参数。\n\nsuperpoint_graph 通过将海量点云转化为结构化图网络，彻底解决了大场景三维重建中“算不动”与“分不准”的核心难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floicland_superpoint_graph_05e56913.png","loicland","Loic Landrieu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Floicland_b816ef3d.jpg","Researcher at LIGM\u002FENPC. Geospatial machine learning.","LIGM\u002FENPC","Paris, France","loic.landrieu@enpc.fr",null,"https:\u002F\u002Floiclandrieu.com\u002F","https:\u002F\u002Fgithub.com\u002Floicland",[86,90,94],{"name":87,"color":88,"percentage":89},"Python","#3572A5",89.2,{"name":91,"color":92,"percentage":93},"C++","#f34b7d",9.8,{"name":95,"color":96,"percentage":97},"CMake","#DA3434",1,799,216,"2026-03-17T13:05:54","MIT",5,"Linux (Ubuntu 14, 16)","需要 NVIDIA GPU (依赖 pynvrtc, cupy)，具体型号和显存未说明，需匹配安装的 PyTorch 版本对应的 CUDA","未说明",{"notes":107,"python":108,"dependencies":109},"该项目已不再维护，作者推荐使用新的 'SuperPoint Transformer'。安装过程复杂，需要手动编译 C++ 扩展库 (libply_c, libcp)，依赖 Boost 和 Eigen3。代码在较旧的 PyTorch 版本 (0.2-1.3) 上测试过，现代环境可能需要大量适配。分区方法具有随机性，结果可能与论文略有不同。","3.5 - 3.8",[110,111,112,113,114,115,116,117,118,119],"torch (0.2 - 1.3)","torchnet","boost (>=1.63.0)","eigen3","igraph","h5py","scikit-learn","scipy","pandas","cut-pursuit (子模块)",[14,13],[122,123,124,125,126,127,128,129,130,131,132],"point-cloud","partition","semantic-segmentation","pytorch","lidar","large-scale","clustering","segmentation","superpoint-graphs","semantic","ply-files","2026-03-27T02:49:30.150509","2026-04-06T12:04:03.922626",[136,141,146,151,156,160],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},18749,"编译 libcp 库时遇到 'no matching function for call to cut_pursuit' 错误怎么办？","这通常是由于依赖版本或 CMake 配置问题导致的。成功编译的建议步骤如下：\n1. 使用 Conda 环境（Python 3.7），安装 boost 1.67 和 cmake 3.12。\n2. 如果使用 macOS，需设置环境变量：`export MACOSX_RPATH=$CONDAENV\u002Flib`。\n3. 修改 `src\u002FCMakeLists.txt` 文件：\n   - 注释掉 `include(FindNumPy)` 行以解决找不到 FindNumPy 的错误。\n   - 添加 `cmake_minimum_required(VERSION 3.12)` 以消除警告。\n   - 添加 `set(CMAKE_MACOSX_RPATH 0)` 以解决 RPATH 未指定的警告。\n4. 确保命令行参数正确（例如使用 `..` 而不是 `.`）。\n完成上述调整后重新编译即可。","https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\u002Fissues\u002F132",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},18750,"运行测试集时得到的标签全为零（all-zero labels）是什么原因？","标签全为零通常意味着数据加载或预处理阶段出现了问题。请检查以下几点：\n1. 确认加载训练数据时标签数组是否确实全为零。\n2. 打印剪枝（pruning）前后的标签数组前几行，对比数据变化。\n3. 检查文件路径权限问题，虽然使用 sudo 可能解决部分权限问题，但更应排查数据解析逻辑。\n4. 确认是否无意中修改了数据处理流程中的任何步骤。\n如果问题依旧，建议从头开始调试数据加载部分，特别是标签文件的读取和映射逻辑。","https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\u002Fissues\u002F37",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},18751,"运行 sema3d_dataset.py 时出现 'IndexError: too many indices for array' 错误如何解决？","该错误通常是因为标签数组为空或文件名解析不匹配导致的。解决方法如下：\n1. 检查 `.labels` 文件和对应的点云文件（如 `.txt` 或 `.h5`）是否命名一致。例如，如果标签文件是 `neugasse_station1_xyz_intensity_rgb.labels`，则点云文件也必须是 `neugasse_station1_xyz_intensity_rgb.txt`。\n2. 如果发现文件名不匹配（例如一个是 `station1_xyz.txt` 另一个是 `neugasse_...`），需要重命名点云文件以匹配标签文件。\n3. 检查 `features` 和 `superpoint_graphs` 文件夹中是否存在对应的 `.h5` 文件。如果文件名格式不对（如缺少前缀），说明名称解析出错。\n4. 确认标签文件放置路径正确，通常位于 `SEMA3D_DIR\u002Fdata\u002Ftrain\u002F` 或与点云数据同一目录下。","https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\u002Fissues\u002F169",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},18752,"使用自定义数据集训练时出现 'Float division by zero' 错误怎么办？","此错误通常发生在计算混淆矩阵的平均交并比（IoU）时，原因是某些类别的预测或真实标签数量为 0。针对自定义数据集（特别是只有 2 个类且无 RGB 数据的情况）：\n1. 检查经过 `libply_c.prune` 处理后的标签值范围。如果标签从原本的 0\u002F1 变成了更大的数值（如 0-76），说明标签映射或编码有误。\n2. 确认输入数据的标签格式是否符合模型预期（通常为连续的整数索引）。\n3. 检查训练循环中是否有迭代次数为 0 的情况，这会导致分母为零。\n4. 确保 `--pc_attribs` 参数与数据特征匹配，如果数据没有 RGB，不要包含相关属性。","https:\u002F\u002Fgithub.com\u002Floicland\u002Fsuperpoint_graph\u002Fissues\u002F143",{"id":157,"question_zh":158,"answer_zh":159,"source_url":150},18753,"如何正确配置 Semantic3D 数据集的路径和文件结构？","正确配置 Semantic3D 数据集需注意以下文件结构和命名规则：\n1. 标签文件（.labels）必须与点云文件（.txt 或 .h5）的主文件名完全一致。例如：`neugasse_station1_xyz_intensity_rgb.txt` 对应 `neugasse_station1_xyz_intensity_rgb.labels`。\n2. 数据目录结构通常应为：`SEMA3D_DIR\u002Fdata\u002Ftrain\u002F` 存放点云和标签文件。\n3. 运行 `sema3d_dataset.py` 后，生成的特征文件和超点图文件应分别位于 `features` 和 `superpoint_graphs` 文件夹中，且文件名需保持一致。\n4. 如果生成的是默认简写文件名（如 `station1_xyz.h5`）而非完整文件名，说明脚本在解析文件名时出错，需手动重命名源文件以匹配标签文件。",{"id":161,"question_zh":162,"answer_zh":163,"source_url":140},18754,"在 macOS 上编译项目时遇到 CMake 警告或错误如何处理？","在 macOS 上编译时常见的 CMake 问题及解决方案：\n1. **FindNumPy 错误**：在 `src\u002FCMakeLists.txt` 中注释掉 `include(FindNumPy)` 行。\n2. **缺少 cmake_minimum_required**：在 `src\u002FCMakeLists.txt` 开头添加 `cmake_minimum_required(VERSION 3.12)`。\n3. **MACOSX_RPATH 未指定**：\n   - 设置环境变量：`export MACOSX_RPATH=$CONDAENV\u002Flib`（将 $CONDAENV 替换为你的 conda 环境路径）。\n   - 或在 `src\u002FCMakeLists.txt` 中添加 `set(CMAKE_MACOSX_RPATH 0)`。\n4. 确保使用兼容的编译器（如 Apple Clang）和依赖库版本（如 Boost 1.67）。",[]]