[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mahmoudnafifi--Exposure_Correction":3,"tool-mahmoudnafifi--Exposure_Correction":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":79,"owner_twitter":75,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":158},2704,"mahmoudnafifi\u002FExposure_Correction","Exposure_Correction","Project page of the paper \"Learning Multi-Scale Photo Exposure Correction\" (CVPR 2021). ","Exposure_Correction 是一款基于深度学习的照片曝光修正工具，源自 CVPR 2021 的研究论文。它专为解决数码摄影中常见的曝光问题而设计，无论是画面过暗导致细节丢失，还是过曝造成高光溢出，都能通过智能算法将图像恢复至自然、平衡的视觉效果。\n\n该项目的核心亮点在于其“多尺度学习”机制。不同于传统方法仅对整图进行全局调整，Exposure_Correction 利用拉普拉斯金字塔技术，将图像分解为不同频率的层次，并分别对每个尺度进行精细化校正。这种策略不仅能准确还原整体亮度，还能有效保留纹理细节，避免产生光晕或噪点。此外，项目提供了直观的图形界面（GUI），允许用户交互式地调节各层级的缩放比例，并支持融合与直方图调整等后处理选项，为输出效果提供更多可控性。\n\n由于代码基于 MATLAB 开发并包含完整的训练与推理流程，Exposure_Correction 非常适合计算机视觉研究人员、算法开发者以及需要高质量图像预处理方案的摄影师使用。对于希望深入理解曝光校正原理或复现前沿学术成果的极客而言，这也是一个极具参考价值的开源项目。","# Learning Multi-Scale Photo Exposure Correction\n\n*[Mahmoud Afifi](https:\u002F\u002Fsites.google.com\u002Fview\u002Fmafifi)*\u003Csup>1,2\u003C\u002Fsup>, \n*[Konstantinos G. Derpanis](https:\u002F\u002Fwww.cs.ryerson.ca\u002Fkosta\u002F)*\u003Csup>1\u003C\u002Fsup>, \n*[Björn Ommer](https:\u002F\u002Fhci.iwr.uni-heidelberg.de\u002FStaff\u002Fbommer)*\u003Csup>3\u003C\u002Fsup>, \nand *[Michael S. Brown](http:\u002F\u002Fwww.cse.yorku.ca\u002F~mbrown\u002F)*\u003Csup>1\u003C\u002Fsup>\n\n\u003Csup>1\u003C\u002Fsup>Samsung AI Center (SAIC) - Toronto     \u003Csup>2\u003C\u002Fsup>York University      \u003Csup>3\u003C\u002Fsup>Heidelberg University\n\n\n![teaser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_35d425cd14d3.jpg)\n\nProject page of the paper [Learning Multi-Scale Photo Exposure Correction.](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.11596.pdf) Mahmoud Afifi, Konstantinos G. Derpanis, Björn Ommer, and Michael S. Brown. In CVPR, 2021. If you use this code or our dataset, please cite our paper:\n```\n@inproceedings{afifi2021learning,\n  title={Learning Multi-Scale Photo Exposure Correction},\n  author={Afifi, Mahmoud and Derpanis, Konstantinos G, and Ommer, Bj{\\\"o}rn and Brown, Michael S},\n  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},\n  year={2021}\n}\n```\n\n\n\n## Dataset\n![dataset_figure](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_42f893c611d4.jpg)\n\nDownload our dataset from the following links:\n[Training](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F141f68cf0\u002Fmrt3jtm9-ywbdrvtw-avba76t4-w6fw8fzj) ([mirror](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1YtsTeUThgD2tzF6RDwQ7Ol9VTSwqFHc_\u002Fview?usp=sharing)) | [Validation](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F49a6738c0\u002F3m3imxpe-w6eqiczn-vripaqcf-jpswtcfr) ([mirror](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1k_L2I63NpjDbhFFfHinwF7_2KjTIiipk\u002Fview?usp=sharing)) | [Testing](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F098a6c5e0\u002Fcienw23w-usca2rgh-u5fxikex-q7vydzkp) ([mirror](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1uxiD6-DOeLnLyI_51DUHMRxORHmUWtgz\u002Fview?usp=sharing)) | [Our results](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F36fe0c4e0\u002Fd5buy3rd-gkhbcv78-qjj7c2kx-j25u9qk9)\n\n\nAs the dataset was originally rendered using raw images taken from the MIT-Adobe FiveK dataset, our dataset follows the original license of the MIT-Adobe FiveK dataset.\n\n\n\n## Code\n\n\n\n### Prerequisite\n1. Matlab 2019b or higher (tested on Matlab 2019b)\n2. Deep Learning Toolbox\n\n### Get Started\nRun `install_.m`\n\n\n#### Demos:\n\n1. Run `demo_single_image.m` or `demo_image_directory.m` to process a single image or image directory, respectively. If you run the demo_single_image.m, it should save the result in `..\u002Fresult_images` and output the following figure:\n\n\n![exposure_demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_c2a86ab32471.png)\n\n\n2. Run `demo_GUI.m` for a gui demo.\n\u003Cp align=\"center\">\n  \u003Cimg width = 65% src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_5beb745fd9d7.gif\">\n\u003C\u002Fp>\n\n\nWe provide a way to interactively control the output results by scaling each layer of the Laplacian pyramid before feeding them to the network. This can be controlled from the `S` variable in `demo_single_image.m` or `demo_image_directory.m` or from the GUI demo. Each scale factor in the `S` vector is multiplied by the corresponding pyramid level. \n\nAdditional post-processing options include fusion and histogram adjustment that can be turned on using the `fusion` and `pp` variables, respectively in `demo_single_image.m` or `demo_image_directory.m`. These options are also available in the  GUI demo. Note that none of the `fusion` and `pp` options was used in producing our results in the paper, but they can improve the quality of results in some cases as shown below. \n\n\n\n![fusion](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_595d305d4f4b.gif)\n\n\n#### Training:\nWe train our model end-to-end to minimize: reconstruction loss, Laplacian pyramid loss, and adversarial loss.  We trained our model on patches randomly\nextracted from training images with different dimensions. We first train on patches of size 128×128 pixels. Next, we continue training on 256×256 patches, followed by training on 512×512 patches. \n\n![exposure_training](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_3d797db08858.jpg)\n\n\n\nBefore starting, run `src\u002Fpatches_extraction.m` to extract random patches with different dimensions -- adjust training\u002Fvalidation image directories before running the code. In the given code, the dataset is supposed to be located in the `exposure_dataset` folder in the root directory. The `exposure_dataset` should include the following directories:\n```\n- exposure_dataset\u002F\n         training\u002F\n              INPUT_IMAGES\u002F\n              GT_IMAGES\u002F\n         validation\u002F\n              INPUT_IMAGES\u002F\n              GT_IMAGES\u002F\n```\n\nThe `src\u002Fpatches_extraction.m` will create subdirectories with patches extracted from each image and its corresponding ground-truth at different resolutions as shown below. \n\n\n![patch_extraction](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_95621a5c7525.jpg)\n\n\n\n\nAfter extracting the training patches, run `main_training.m` to start training -- adjust training\u002Fvalidation image directories before running the code. All training options are available in the `main_training.m`. \n\n\n## Results\n\n![exposure_results_1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_bdbcc48e13c7.jpg)\n![exposure_results_2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_c005d8ef4fb6.jpg)\n![exposure_results_3](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_6ce93ece65ec.jpg)\n\nThis software is provided for research purposes only and CANNOT be used for commercial purposes. \n\n\nMaintainer: Mahmoud Afifi (m.3afifi@gmail.com)\n\n\n## Related Research Projects\n- [Deep White-Balance Editing](https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FDeep_White_Balance): A deep learning multi-task framework for white-balance editing (CVPR 2020).\n\n\n","# 学习多尺度照片曝光校正\n\n*[Mahmoud Afifi](https:\u002F\u002Fsites.google.com\u002Fview\u002Fmafifi)*\u003Csup>1,2\u003C\u002Fsup>, \n*[Konstantinos G. Derpanis](https:\u002F\u002Fwww.cs.ryerson.ca\u002Fkosta\u002F)*\u003Csup>1\u003C\u002Fsup>, \n*[Björn Ommer](https:\u002F\u002Fhci.iwr.uni-heidelberg.de\u002FStaff\u002Fbommer)*\u003Csup>3\u003C\u002Fsup>, \n和 *[Michael S. Brown](http:\u002F\u002Fwww.cse.yorku.ca\u002F~mbrown\u002F)*\u003Csup>1\u003C\u002Fsup>\n\n\u003Csup>1\u003C\u002Fsup>三星人工智能中心（SAIC）- 多伦多     \u003Csup>2\u003C\u002Fsup>约克大学      \u003Csup>3\u003C\u002Fsup>海德堡大学\n\n\n![teaser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_35d425cd14d3.jpg)\n\n论文[学习多尺度照片曝光校正](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2003.11596.pdf)的项目页面。作者：Mahmoud Afifi、Konstantinos G. Derpanis、Björn Ommer 和 Michael S. Brown。发表于 CVPR 2021。如果您使用此代码或我们的数据集，请引用我们的论文：\n```\n@inproceedings{afifi2021learning,\n  title={Learning Multi-Scale Photo Exposure Correction},\n  author={Afifi, Mahmoud and Derpanis, Konstantinos G, and Ommer, Bj{\\\"o}rn and Brown, Michael S},\n  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},\n  year={2021}\n}\n```\n\n\n\n## 数据集\n![dataset_figure](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_42f893c611d4.jpg)\n\n请从以下链接下载我们的数据集：\n[训练](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F141f68cf0\u002Fmrt3jtm9-ywbdrvtw-avba76t4-w6fw8fzj) ([镜像](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1YtsTeUThgD2tzF6RDwQ7Ol9VTSwqFHc_\u002Fview?usp=sharing)) | [验证](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F49a6738c0\u002F3m3imxpe-w6eqiczn-vripaqcf-jpswtcfr) ([镜像](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1k_L2I63NpjDbhFFfHinwF7_2KjTIiipk\u002Fview?usp=sharing)) | [测试](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F098a6c5e0\u002Fcienw23w-usca2rgh-u5fxikex-q7vydzkp) ([镜像](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1uxiD6-DOeLnLyI_51DUHMRxORHmUWtgz\u002Fview?usp=sharing)) | [我们的结果](https:\u002F\u002Fln2.sync.com\u002Fdl\u002F36fe0c4e0\u002Fd5buy3rd-gkhbcv78-qjj7c2kx-j25u9qk9)\n\n\n由于该数据集最初是基于 MIT-Adobe FiveK 数据集中的原始图像渲染而成，因此我们的数据集遵循 MIT-Adobe FiveK 数据集的原始许可协议。\n\n\n\n## 代码\n\n\n\n### 前提条件\n1. Matlab 2019b 或更高版本（已在 Matlab 2019b 上测试）\n2. 深度学习工具箱\n\n### 开始使用\n运行 `install_.m`\n\n\n#### 演示：\n\n1. 运行 `demo_single_image.m` 或 `demo_image_directory.m` 分别处理单张图片或图片目录。如果运行 demo_single_image.m，它应该将结果保存在 `..\u002Fresult_images` 中，并输出如下图：\n\n\n![exposure_demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_c2a86ab32471.png)\n\n\n2. 运行 `demo_GUI.m` 进行 GUI 演示。\n\u003Cp align=\"center\">\n  \u003Cimg width = 65% src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_5beb745fd9d7.gif\">\n\u003C\u002Fp>\n\n\n我们提供了一种交互式控制输出结果的方法，即在将每一层拉普拉斯金字塔输入网络之前对其进行缩放。这可以通过 `demo_single_image.m` 或 `demo_image_directory.m` 中的 `S` 变量，或者通过 GUI 演示来控制。`S` 向量中的每个缩放因子都会乘以对应的金字塔层级。 \n\n额外的后处理选项包括融合和直方图调整，可以在 `demo_single_image.m` 或 `demo_image_directory.m` 中分别通过 `fusion` 和 `pp` 变量来启用。这些选项也在 GUI 演示中可用。请注意，在论文中生成我们的结果时并未使用 `fusion` 和 `pp` 选项，但在某些情况下它们可以提高结果质量，如下所示。 \n\n\n\n![fusion](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_595d305d4f4b.gif)\n\n\n#### 训练：\n我们端到端地训练模型，以最小化重建损失、拉普拉斯金字塔损失和对抗损失。我们在随机提取的不同尺寸的训练图像补丁上训练模型。首先我们在 128×128 像素的补丁上进行训练，然后继续在 256×256 的补丁上训练，最后在 512×512 的补丁上训练。 \n\n![exposure_training](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_3d797db08858.jpg)\n\n\n\n在开始之前，运行 `src\u002Fpatches_extraction.m` 来提取不同尺寸的随机补丁——在运行代码前请调整训练\u002F验证图像目录。在给定的代码中，数据集应位于根目录下的 `exposure_dataset` 文件夹中。`exposure_dataset` 应包含以下目录：\n```\n- exposure_dataset\u002F\n         training\u002F\n              INPUT_IMAGES\u002F\n              GT_IMAGES\u002F\n         validation\u002F\n              INPUT_IMAGES\u002F\n              GT_IMAGES\u002F\n```\n\n`src\u002Fpatches_extraction.m` 将为每张图像及其对应的真值创建不同分辨率的补丁子目录，如下所示。\n\n\n![patch_extraction](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_95621a5c7525.jpg)\n\n\n\n\n提取训练补丁后，运行 `main_training.m` 开始训练——在运行代码前请调整训练\u002F验证图像目录。所有训练选项都在 `main_training.m` 中提供。 \n\n\n## 结果\n\n![exposure_results_1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_bdbcc48e13c7.jpg)\n![exposure_results_2](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_c005d8ef4fb6.jpg)\n![exposure_results_3](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_readme_6ce93ece65ec.jpg)\n\n本软件仅用于研究目的，不得用于商业用途。\n\n\n维护者：Mahmoud Afifi (m.3afifi@gmail.com)\n\n\n## 相关研究项目\n- [深度白平衡编辑](https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FDeep_White_Balance): 一种用于白平衡编辑的深度学习多任务框架（CVPR 2020）。","# Exposure_Correction 快速上手指南\n\n本项目基于论文《Learning Multi-Scale Photo Exposure Correction》（CVPR 2021），旨在利用深度学习技术对照片进行多尺度曝光校正。\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**：支持 MATLAB 的平台（Windows \u002F macOS \u002F Linux）。\n*   **核心软件**：**MATLAB 2019b** 或更高版本（已在 2019b 上测试通过）。\n*   **必要工具箱**：必须安装 **Deep Learning Toolbox**。\n\n## 安装步骤\n\n1.  克隆或下载本项目的源代码到本地目录。\n2.  打开 MATLAB，将当前工作目录切换至项目根目录。\n3.  运行安装脚本以配置路径：\n    ```matlab\n    install_.m\n    ```\n\n## 基本使用\n\n### 1. 单张图片或文件夹处理（推荐）\n\n您可以直接运行演示脚本来处理单张图片或整个文件夹中的图片。\n\n*   **处理单张图片**：\n    ```matlab\n    demo_single_image.m\n    ```\n    运行后，结果将保存在 `..\u002Fresult_images` 目录下，并自动弹出对比图。\n\n*   **处理文件夹中的所有图片**：\n    ```matlab\n    demo_image_directory.m\n    ```\n\n> **进阶控制**：\n> 在上述脚本中，您可以通过修改 `S` 变量来交互式地控制拉普拉斯金字塔每一层的缩放比例，从而微调输出效果。此外，设置 `fusion` 和 `pp` 变量为 `true` 可分别启用图像融合和直方图调整后处理选项（注：论文原始结果未使用这些选项，但在某些场景下可提升质量）。\n\n### 2. 图形界面 (GUI) 模式\n\n如果您更喜欢可视化操作，可以运行 GUI 演示：\n\n```matlab\ndemo_GUI.m\n```\n该界面允许您加载图片，并实时调整各层参数以查看校正效果。\n\n---\n*注意：本软件仅供学术研究使用，严禁用于商业目的。如需引用，请参考原论文。*","一位旅行摄影师在整理户外拍摄素材时，发现大量照片因光线剧烈变化导致局部过曝或欠曝，急需批量修复以用于客户交付。\n\n### 没有 Exposure_Correction 时\n- 手动调整每张图的曝光需反复拉扯高光与阴影滑块，耗时极长且难以保证百张照片风格统一。\n- 传统全局调整工具往往“顾此失彼”，提亮暗部时导致原本正常的亮部细节丢失，画面显得平淡或噪点激增。\n- 面对复杂光照（如逆光人像），缺乏多尺度感知能力，无法同时还原面部细节与背景层次，修图效果生硬不自然。\n- 依赖人工经验判断，不同修图师处理同一组照片时输出质量波动大，难以满足商业交付的稳定性要求。\n\n### 使用 Exposure_Correction 后\n- 利用其多尺度学习机制，一键自动校正整批照片，将单张处理时间从分钟级缩短至秒级，大幅提升工作流效率。\n- 基于拉普拉斯金字塔分层处理，精准独立调整不同频段的曝光，既恢复了暗部纹理，又完美保留了高光云层细节。\n- 通过端到端的对抗训练模型，智能理解场景语义，在逆光等极端条件下也能生成光影过渡自然、色彩真实的图像。\n- 提供可交互的尺度因子控制与融合选项，允许用户在自动化基础上进行微调，确保最终成片高度契合艺术创作意图。\n\nExposure_Correction 通过将深度学习引入曝光校正，把繁琐的手工修图转化为高效、一致且高质量的自动化流程，彻底释放了摄影师的创作精力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmahmoudnafifi_Exposure_Correction_35d425cd.jpg","mahmoudnafifi","Mahmoud Afifi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmahmoudnafifi_d4ecd008.jpg","Ex-Research Scientist, Ex-Camera Engineer",null,"Earth ","www.mafifi.info","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi",[84],{"name":85,"color":86,"percentage":87},"MATLAB","#e16737",100,582,70,"2026-03-16T03:07:57","NOASSERTION",4,"未说明 (基于 MATLAB，理论上支持 Windows, macOS, Linux)","未说明 (依赖 MATLAB Deep Learning Toolbox，具体硬件取决于该工具箱配置)","未说明",{"notes":97,"python":98,"dependencies":99},"该项目完全基于 MATLAB 开发，无需 Python 环境。使用前需运行 install_.m 进行安装。训练前需先运行 src\u002Fpatches_extraction.m 提取不同尺寸的图像块。数据集源自 MIT-Adobe FiveK，需遵循其原始许可协议。代码仅供研究使用，不可用于商业目的。","不需要 (基于 MATLAB)",[100,101],"MATLAB 2019b 或更高版本","MATLAB Deep Learning Toolbox",[51,13,14],[104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119],"deep-learning","deeplearning","multi-scale","coarse-to-fine","exposure-correction","overexposure-correction","underexposure-correction","computational-photography","low-light-enhance","low-light-image","dataset","datasets","image-enhancement","color-correction","cvpr2021","cvpr","2026-03-27T02:49:30.150509","2026-04-06T07:13:21.469497",[123,128,133,138,143,148,153],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},12524,"数据集和源代码何时发布？","数据集下载链接已发布在 README 文件中，源代码也已正式开源。您可以直接访问仓库获取最新资源。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F4",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},12525,"是否提供 Python 或 PyTorch 版本的代码？","目前不提供 Python 或 PyTorch 版本的代码，且未来可能也不会发布。如果您或其他开发者愿意贡献 Torch 或 TensorFlow 的实现版本，欢迎提交 Pull Request 到本仓库。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F20",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},12526,"如何训练不同分辨率（如 64, 128, 256）的模型，如果原始图像只有 512px？","图像尺寸 (m) 必须能被 2^n 整除（n 为编码器层数），且 m\u002F(2^n) >= 1。请注意，输入图像会先经过金字塔分解步骤，该步骤会在最后一层将维度减少 2^(k-1)（k 为金字塔层数）。因此，64px 可能需要比当前架构更浅的网络，当前代码默认不支持 64px 的直接训练。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F16",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},12527,"重新训练后生成了多个模型文件，应该使用哪一个进行推理？","最终用于生成结果的模型应该是 `model_512`。如果在替换演示代码中的模型为 `model_512` 后无法获得正确结果，请检查是否在训练前修改了任何训练参数。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F23",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},12528,"使用自己重新训练的模型时，校正前后的图像差异很小怎么办？","首先确认代码是否使用了正确的真值（ground-truth）目录，并尝试使用官方提供的预训练模型在同一张图像上进行测试以排除环境问题。如果官方模型效果正常而自训模型无效，可能是训练数据不匹配（例如官方训练图像最大长度为 1024px，而您使用的是 512px）或代码被意外修改导致的。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F17",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},12529,"项目中使用的双边引导上采样（Bilateral Guided Upsampling）是哪个实现版本？","作者使用的是 CPU 版的 Matlab 实现（基于 google\u002Fbgu）。该上采样步骤仅作为测试阶段的后处理，不参与端到端训练，因此不需要 GPU 加速版本。虽然重新实现该功能在计划中，但目前暂无具体时间表。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F12",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},12530,"如何获取测试集图像的具体列表？","数据集现已完全可用，其中包含了所有测试集图像及其对应的真值（ground truth）图像，您可以直接下载完整数据集查看。","https:\u002F\u002Fgithub.com\u002Fmahmoudnafifi\u002FExposure_Correction\u002Fissues\u002F1",[]]