[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-megvii-research--IJCAI2023-CoNR":3,"tool-megvii-research--IJCAI2023-CoNR":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":10,"env_os":99,"env_gpu":100,"env_ram":99,"env_deps":101,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":154},9613,"megvii-research\u002FIJCAI2023-CoNR","IJCAI2023-CoNR","IJCAI2023 - Collaborative Neural Rendering using Anime Character Sheets","IJCAI2023-CoNR 是一款专为动漫创作者设计的开源工具，旨在将静态的手绘动漫角色设定图（Character Sheets）转化为生动流畅的跳舞视频。它主要解决了传统动画制作中让二维平面角色“动起来”门槛高、工作量大的痛点，用户无需具备复杂的 3D 建模或逐帧绘制技能，仅需提供去除背景的角色多角度绘图和动作数据，即可生成高质量的动态影像。\n\n该工具特别适合动漫爱好者、独立动画师以及从事 AI 艺术研究的开发者使用。其核心技术亮点在于“协同神经渲染”算法，能够智能理解角色在不同角度下的结构一致性，有效避免了传统方法中常见的画面扭曲或闪烁问题，确保角色在大幅度舞蹈动作中依然保持画风稳定。项目不仅提供了详细的论文解读和演示视频，还配套了易于上手的 Web 交互界面与 Colab 在线运行环境，大幅降低了技术使用门槛。无论是想尝试让自家原创角色“活”过来的画师，还是希望探索神经渲染前沿技术的研究人员，都能通过 IJCAI2023-CoNR 轻松实现创意落地。","[English](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002FREADME.md) | [中文](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002FREADME_chinese.md)\n# Collaborative Neural Rendering using Anime Character Sheets\n\nOur paper is accepted by [Special Track of IJCAI2023](https:\u002F\u002Fijcai-23.org\u002Fspecial-track-on-ai-the-arts-and-creativity\u002F) (three reviews with \"accept\" ratings), the revision of the paper is [available](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378). -> [poster](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F140eVtOPv0tl7l1ptmExEfuNAEu2JN_Wd\u002Fview?usp=sharing)\n\n2023\u002F4\u002F18: The dataset is now avaliable in [CoNR_Dataset](https:\u002F\u002Fgithub.com\u002FP2Oileen\u002FCoNR_Dataset)! 🎉\n\n## [Demo Page](https:\u002F\u002Ftranspchan.github.io\u002Flive3d\u002F) | Colab [English](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002Fnotebooks\u002Fconr.ipynb)\u002F[中文](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002Fnotebooks\u002Fconr_chinese.ipynb) | [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378) | [BiliBili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19V4y1x7bJ\u002F) | [YouTube](https:\u002F\u002Fyoutu.be\u002FZ4HXWBF7mLI) | [CoNR_Dataset](https:\u002F\u002Fgithub.com\u002FP2Oileen\u002FCoNR_Dataset)\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_readme_f13cfb68c462.gif) ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_readme_ffa617ecd1fa.gif)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_readme_4b19634059bc.png)\n\n## Introduction\n\nThis project is the official implement of [Collaborative Neural Rendering using Anime Character Sheets](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378), which aims to genarate vivid dancing videos from hand-drawn anime character sheets (ACS).[^1] Watch more demos and details in our firmly recommended video in [BiliBili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19V4y1x7bJ\u002F) or [YouTube](https:\u002F\u002Fyoutu.be\u002FZ4HXWBF7mLI). Our [FAQ on Zhihu (in Chinese)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F565391665) explains the ideas underpinning CoNR.\n\n## Usage\n\n#### Prerequisites\n\n* NVIDIA GPU + CUDA + CUDNN\n* Python 3.6\n\n#### Installation\n\n* Clone this repository\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\n```\n\n* Dependencies\n\nTo install all the dependencies, please run the following commands.\n\n```bash\ncd CoNR\npip install -r requirements.txt\n```\n\n* Download Weights\nDownload weights from Google Drive. Alternatively, you can download from [Baidu Netdisk](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1U11iIk-DiJodgCveSzB6ig?pwd=RDxc) (password:RDxc).\n\n```\nmkdir weights && cd weights\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1M1LEpx70tJ72AIV2TQKr6NE_7mJ7tLYx\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1YvZy3NHkJ6gC3pq_j8agcbEJymHCwJy0\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1AOWZxBvTo9nUf2_9Y7Xe27ZFQuPrnx9i\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=19jM1-GcqgGoE1bjmQycQw_vqD9C5e-Jm\n```\n\n#### Prepare Inputs\nWe provide two Ultra-Dense Pose sequences for two characters. You can generate more UDPs via 3D models and motions refers to [our paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378), or use [MMD2UDP](https:\u002F\u002Fgithub.com\u002FKurisuMakise004\u002FMMD2UDP)(Thanks to @KurisuMakise004 ).\n[Baidu Netdisk](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1hWvz4iQXnVTaTSb6vu1NBg?pwd=RDxc) (password:RDxc) \n\n```\n# for short hair girl\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=11HMSaEkN__QiAZSnCuaM6GI143xo62KO\nunzip short_hair.zip\nmv short_hair\u002F poses\u002F\n\n# for double ponytail girl\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1WNnGVuU0ZLyEn04HzRKzITXqib1wwM4Q\nunzip double_ponytail.zip\nmv double_ponytail\u002F poses\u002F\n```\n\nWe provide sample inputs of anime character sheets. You can also draw more by yourself.\nCharacter sheets need to be cut out from the background and in png format.\n[Baidu Netdisk](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1shpP90GOMeHke7MuT0-Txw?pwd=RDxc) (password:RDxc) \n\n```\n# for short hair girl\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1r-3hUlENSWj81ve2IUPkRKNB81o9WrwT\nunzip short_hair_images.zip\nmv short_hair_images\u002F character_sheet\u002F\n\n# for double ponytail girl\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1XMrJf9Lk_dWgXyTJhbEK2LZIXL9G3MWc\nunzip double_ponytail_images.zip\nmv double_ponytail_images\u002F character_sheet\u002F\n```\n\n#### RUN!\n* with web UI (powered by [Streamlit](https:\u002F\u002Fstreamlit.io\u002F))\n\n```\nstreamlit run streamlit.py --server.port=8501\n```\nthen open your browser and visit `localhost:8501`, follow the instructions to generate video.\n\n* via terminal\n\n```\nmkdir {dir_to_save_result}\n\npython -m torch.distributed.launch \\\n--nproc_per_node=1 train.py --mode=test \\\n--world_size=1 --dataloaders=2 \\\n--test_input_poses_images={dir_to_poses} \\\n--test_input_person_images={dir_to_character_sheet} \\\n--test_output_dir={dir_to_save_result} \\\n--test_checkpoint_dir={dir_to_weights}\n\nffmpeg -r 30 -y -i {dir_to_save_result}\u002F%d.png -r 30 -c:v libx264 output.mp4 -r 30\n```\n\n## Citation\n```bibtex\n@inproceedings{lin2023conr,\n  title={Collaborative Neural Rendering using Anime Character Sheets},\n  author={Lin, Zuzeng and Huang, Ailin and Huang, Zhewei},\n  booktitle = {Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence (IJCAI)},\n  year={2023}\n}\n```\n\n[^1]: Zuzeng Lin is not involved in the submissions to AAAI23, and IJCAI23, which are done by other authors alone, after seeing the heartbreaking reviews from CVPR22 and ECCV22.\nHe explored the idea of [assisting anime creation with AI](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F565391665) and proposed CoNR as a baseline to solve consistency and artistic control issues at the end of the year 2020.  Other authors revised his draft to its present state and made demo videos after he quit, but they are not involved in the [successor versions](https:\u002F\u002Fgithub.com\u002Ftranspchan\u002FLive3D-v2). He appreciates the discussion with many people who are interested in this project, and Live3D public beta users in Sept. 2021.\n","[English](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002FREADME.md) | [中文](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002FREADME_chinese.md)\n# 基于动漫角色原画的协同神经渲染\n\n我们的论文已被[IJCAI2023特别赛道](https:\u002F\u002Fijcai-23.org\u002Fspecial-track-on-ai-the-arts-and-creativity\u002F)接收（三篇审稿意见均为“接受”），论文修订版已发布在[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378)。-> [海报](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F140eVtOPv0tl7l1ptmExEfuNAEu2JN_Wd\u002Fview?usp=sharing)\n\n2023年4月18日：数据集现已在[CoNR_Dataset](https:\u002F\u002Fgithub.com\u002FP2Oileen\u002FCoNR_Dataset)中开放！🎉\n\n## [演示页面](https:\u002F\u002Ftranspchan.github.io\u002Flive3d\u002F) | Colab [English](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002Fnotebooks\u002Fconr.ipynb)\u002F[中文](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmegvii-research\u002FCoNR\u002Fblob\u002Fmain\u002Fnotebooks\u002Fconr_chinese.ipynb) | [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378) | [BiliBili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19V4y1x7bJ\u002F) | [YouTube](https:\u002F\u002Fyoutu.be\u002FZ4HXWBF7mLI) | [CoNR_Dataset](https:\u002F\u002Fgithub.com\u002FP2Oileen\u002FCoNR_Dataset)\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_readme_f13cfb68c462.gif) ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_readme_ffa617ecd1fa.gif)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_readme_4b19634059bc.png)\n\n## 简介\n\n本项目是[基于动漫角色原画的协同神经渲染](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378)的官方实现，旨在从手绘动漫角色原画（ACS）生成生动的舞蹈视频。[^1] 更多演示和详细信息请观看我们强烈推荐的[BiliBili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19V4y1x7bJ\u002F)或[YouTube](https:\u002F\u002Fyoutu.be\u002FZ4HXWBF7mLI)视频。我们在[Zhihu上的FAQ（中文）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F565391665)中详细解释了CoNR背后的核心思想。\n\n## 使用方法\n\n#### 先决条件\n\n* NVIDIA GPU + CUDA + CUDNN\n* Python 3.6\n\n#### 安装\n\n* 克隆本仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\n```\n\n* 依赖项\n\n安装所有依赖项，请运行以下命令：\n\n```bash\ncd CoNR\npip install -r requirements.txt\n```\n\n* 下载权重\n从Google Drive下载权重。或者，您也可以从[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1U11iIk-DiJodgCveSzB6ig?pwd=RDxc)下载（提取码：RDxc）。\n\n```\nmkdir weights && cd weights\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1M1LEpx70tJ72AIV2TQKr6NE_7mJ7tLYx\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1YvZy3NHkJ6gC3pq_j8agcbEJymHCwJy0\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1AOWZxBvTo9nUf2_9Y7Xe27ZFQuPrnx9i\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=19jM1-GcqgGoE1bjmQycQw_vqD9C5e-Jm\n```\n\n#### 准备输入\n我们提供了两个角色的超密集姿态序列。您可以通过参考[我们的论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.05378)中的3D模型和动作生成更多UDP，或者使用[MMD2UDP](https:\u002F\u002Fgithub.com\u002FKurisuMakise004\u002FMMD2UDP)（感谢@KurisuMakise004）。\n[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1hWvz4iQXnVTaTSb6vu1NBg?pwd=RDxc)（提取码：RDxc）\n\n```\n# 对于短发女孩\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=11HMSaEkN__QiAZSnCuaM6GI143xo62KO\nunzip short_hair.zip\nmv short_hair\u002F poses\u002F\n\n# 对于双马尾女孩\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1WNnGVuU0ZLyEn04HzRKzITXqib1wwM4Q\nunzip double_ponytail.zip\nmv double_ponytail\u002F poses\u002F\n```\n\n我们提供了动漫角色原画的示例输入。您也可以自行绘制更多。\n角色原画需要从背景中抠出，并保存为PNG格式。\n[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1shpP90GOMeHke7MuT0-Txw?pwd=RDxc)（提取码：RDxc）\n\n```\n# 对于短发女孩\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1r-3hUlENSWj81ve2IUPkRKNB81o9WrwT\nunzip short_hair_images.zip\nmv short_hair_images\u002F character_sheet\u002F\n\n# 对于双马尾女孩\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1XMrJf9Lk_dWgXyTJhbEK2LZIXL9G3MWc\nunzip double_ponytail_images.zip\nmv double_ponytail_images\u002F character_sheet\u002F\n```\n\n#### 运行！\n* 通过Web UI（由[Streamlit](https:\u002F\u002Fstreamlit.io\u002F)提供支持）\n\n```\nstreamlit run streamlit.py --server.port=8501\n```\n然后打开浏览器访问`localhost:8501`，按照提示生成视频。\n\n* 通过终端\n\n```\nmkdir {dir_to_save_result}\n\npython -m torch.distributed.launch \\\n--nproc_per_node=1 train.py --mode=test \\\n--world_size=1 --dataloaders=2 \\\n--test_input_poses_images={dir_to_poses} \\\n--test_input_person_images={dir_to_character_sheet} \\\n--test_output_dir={dir_to_save_result} \\\n--test_checkpoint_dir={dir_to_weights}\n\nffmpeg -r 30 -y -i {dir_to_save_result}\u002F%d.png -r 30 -c:v libx264 output.mp4 -r 30\n```\n\n## 引用\n```bibtex\n@inproceedings{lin2023conr,\n  title={Collaborative Neural Rendering using Anime Character Sheets},\n  author={Lin, Zuzeng and Huang, Ailin and Huang, Zhewei},\n  booktitle = {Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence (IJCAI)},\n  year={2023}\n}\n```\n\n[^1]: 林祖增并未参与AAAI23和IJCAI23的投稿工作，这些工作均由其他作者独立完成。此前，他在CVPR22和ECCV22上经历了令人沮丧的审稿过程后，开始探索[利用AI辅助动漫创作](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F565391665)的想法，并于2020年底提出了CoNR作为解决一致性与艺术控制问题的基准方案。在他退出之后，其他作者对他的初稿进行了修改并制作了演示视频，但他们并未参与后续版本[Live3D-v2](https:\u002F\u002Fgithub.com\u002Ftranspchan\u002FLive3D-v2)的工作。他非常感谢众多对该课题感兴趣的人士以及2021年9月Live3D公测用户们的讨论与交流。","# IJCAI2023-CoNR 快速上手指南\n\n本项目是 IJCAI 2023 录用论文《Collaborative Neural Rendering using Anime Character Sheets》的官方实现，旨在从手绘动漫角色设定图（ACS）生成生动的舞蹈视频。\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 (推荐)\n*   **硬件**: NVIDIA GPU\n*   **软件依赖**:\n    *   CUDA & CUDNN\n    *   Python 3.6\n*   **网络工具**: 建议安装 `gdown` 以便从 Google Drive 下载资源，或使用提供的百度网盘链接。\n\n## 安装步骤\n\n### 1. 克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FCoNR\ncd CoNR\n```\n\n### 2. 安装依赖\n```bash\npip install -r requirements.txt\n```\n\n### 3. 下载预训练权重\n创建权重目录并下载模型文件。国内用户推荐使用百度网盘加速下载。\n\n**方式一：Google Drive (需安装 gdown)**\n```bash\nmkdir weights && cd weights\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1M1LEpx70tJ72AIV2TQKr6NE_7mJ7tLYx\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1YvZy3NHkJ6gC3pq_j8agcbEJymHCwJy0\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1AOWZxBvTo9nUf2_9Y7Xe27ZFQuPrnx9i\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=19jM1-GcqgGoE1bjmQycQw_vqD9C5e-Jm\ncd ..\n```\n\n**方式二：百度网盘 (国内推荐)**\n*   链接: https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1U11iIk-DiJodgCveSzB6ig\n*   提取码: `RDxc`\n*   操作：下载后解压，将文件放入项目根目录下的 `weights` 文件夹中。\n\n### 4. 准备输入数据\n您需要准备两类数据：**动作序列 (Poses)** 和 **角色设定图 (Character Sheets)**。项目提供了示例数据。\n\n**下载动作序列 (Ultra-Dense Pose sequences):**\n*   百度网盘链接: https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1hWvz4iQXnVTaTSb6vu1NBg (提取码: `RDxc`)\n*   或者使用命令下载示例（短发女孩）：\n```bash\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=11HMSaEkN__QiAZSnCuaM6GI143xo62KO\nunzip short_hair.zip\nmv short_hair\u002F poses\u002F\n```\n\n**下载角色设定图 (Character Sheets):**\n*   注意：图片需为去除背景的 PNG 格式。\n*   百度网盘链接: https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1shpP90GOMeHke7MuT0-Txw (提取码: `RDxc`)\n*   或者使用命令下载示例（短发女孩）：\n```bash\ngdown https:\u002F\u002Fdrive.google.com\u002Fuc?id=1r-3hUlENSWj81ve2IUPkRKNB81o9WrwT\nunzip short_hair_images.zip\nmv short_hair_images\u002F character_sheet\u002F\n```\n\n## 基本使用\n\n您可以选择通过 Web 界面或命令行终端运行生成任务。\n\n### 方式一：Web UI (推荐新手)\n基于 Streamlit 的图形界面，操作更直观。\n\n1.  启动服务：\n```bash\nstreamlit run streamlit.py --server.port=8501\n```\n2.  在浏览器中访问 `http:\u002F\u002Flocalhost:8501`。\n3.  按照页面提示上传或选择角色图与动作数据，点击生成视频。\n\n### 方式二：命令行终端\n适合批量处理或服务器环境。\n\n1.  创建输出目录：\n```bash\nmkdir results\n```\n\n2.  执行推理命令（请替换 `{dir_to_poses}` 等为实际路径）：\n```bash\npython -m torch.distributed.launch \\\n--nproc_per_node=1 train.py --mode=test \\\n--world_size=1 --dataloaders=2 \\\n--test_input_poses_images=poses \\\n--test_input_person_images=character_sheet \\\n--test_output_dir=results \\\n--test_checkpoint_dir=weights\n```\n\n3.  将生成的图片序列合成为视频：\n```bash\nffmpeg -r 30 -y -i results\u002F%d.png -r 30 -c:v libx264 output.mp4 -r 30\n```","某独立动画工作室的主美希望将一张静态的二次元角色设定图（Character Sheet）快速转化为一段流畅的角色舞蹈演示视频，用于向客户展示动态效果。\n\n### 没有 IJCAI2023-CoNR 时\n- **制作成本极高**：传统流程需要建模师先根据设定图手工搭建 3D 模型，再绑定骨骼并调整权重，耗时数天甚至数周。\n- **风格还原困难**：生成的 3D 模型往往丢失原画独特的笔触和 shading 风格，导致最终渲染画面与原始设定图“违和感”强烈。\n- **动作调整僵化**：若需修改舞蹈动作，必须重新在三维软件中调整关键帧或重新捕捉数据，无法直接利用现有的二维姿态序列快速迭代。\n- **资源门槛高**：团队必须配备专业的 3D 美术和动画师，对于只有原画师的小型团队而言，技术栈断层严重。\n\n### 使用 IJCAI2023-CoNR 后\n- **端到端生成**：只需上传切好背景的角色设定图和预设的动作姿态序列（UDP），IJCAI2023-CoNR 即可直接合成生动的舞蹈视频，省去建模环节。\n- **完美保持画风**：基于协同神经渲染技术，生成的视频帧能高度还原原画的线条质感与色彩风格，实现“纸片人”般的自然动态。\n- **动作驱动灵活**：支持通过更换不同的姿态序列文件瞬间切换舞蹈动作，原画师可独立在本地通过 Streamlit 界面快速验证多种创意方案。\n- **降低人力依赖**：无需掌握复杂的 3D 建模技能，仅凭 2D 素材和开源代码即可完成高质量动态演示，大幅压缩制作周期至小时级。\n\nIJCAI2023-CoNR 的核心价值在于打破了 2D 原画到 3D 动态视频的技术壁垒，让静态设定图能以最低成本“活”起来。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_IJCAI2023-CoNR_f13cfb68.gif","megvii-research","MEGVII Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmegvii-research_9dd88987.png","Power Human with AI. 持续创新拓展认知边界 非凡科技成就产品价值",null,"https:\u002F\u002Fwww.megvii.com\u002F","https:\u002F\u002Fgithub.com\u002Fmegvii-research",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",99.4,{"name":85,"color":86,"percentage":87},"Python","#3572A5",0.6,{"name":89,"color":90,"percentage":91},"Batchfile","#C1F12E",0,{"name":93,"color":94,"percentage":91},"Shell","#89e051",804,65,"2026-04-12T16:21:26","MIT","未说明","必需 NVIDIA GPU，需安装 CUDA 和 CUDNN（具体版本及显存大小未在 README 中明确说明）",{"notes":102,"python":103,"dependencies":104},"项目依赖 requirements.txt 文件安装所有 Python 包。运行前需手动下载预训练权重文件（可通过 Google Drive 或百度网盘获取）。输入数据需要准备超密集姿态序列（UDP）和去背景的 PNG 格式动漫角色立绘。支持通过 Streamlit Web 界面或终端命令行运行，终端运行后需使用 ffmpeg 将生成的图片序列合成为视频。","3.6",[105,106,107,108],"torch","streamlit","gdown","ffmpeg",[15,14],[111,112,113,114,115],"anime","computer-graphics","computer-vision","deep-learning","pytorch","2026-03-27T02:49:30.150509","2026-04-20T04:09:03.047843",[119,124,129,134,139,144,149],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},43145,"如何从视频或图片中生成 UDP（超密集姿态）数据？","如果是从图片中提取 UDP，需要将图片放入 `test_input_poses_images` 指定的文件夹，并在运行命令时添加参数 `--test_pose_use_parser_udp=True`。系统会自动从图片中提取姿态 UDP 并输入到 CoNR 模型中。如果是视频，目前主要支持处理图片序列，建议先将视频帧提取为图片序列再进行处理。注意：当前版本的 UDP 检测器精度有限，未来版本（v2）会有性能提升。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},43146,"命令行参数 `--test_input_poses_images` 和 `--test_input_person_images` 具体有什么区别？","`--test_input_poses_images` 是**姿态**的输入文件夹，内容可以是 UDP 序列文件，也可以是普通图片。如果是图片，必须同时开启 `--test_pose_use_parser_udp=True` 开关以从中提取 UDP。`--test_input_person_images` 则是论文中提到的 Character Sheets（角色设定图\u002F手绘人设图）文件夹，用于提供不同视角的动漫人物参考图。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F4",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},43147,"是否提供其他的 UDP 检测模型或预训练权重？","在当前的 CoNR 项目中，仅提供了一个预训练的 UDP 检测器权重，没有其他替代模型。该模型主要针对动漫角色（animated characters）进行了优化。虽然可以尝试输入其他类型的图片进行推理，但效果可能不如动漫图像理想。早期版本的 UDP 检测器基于 U2Net，但不在本项目范围内。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F14",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},43148,"项目的训练数据集会开源吗？如果现在想用该怎么解决？","论文中声明数据集将会开源，但目前仍在整理中以避免潜在问题。如果您希望立即构建自己的数据集，可以使用 [MMD2UDP](https:\u002F\u002Fgithub.com\u002FKurisuMakise004\u002FMMD2UDP) 工具来构建自己的图像 -UDP 配对数据。请持续关注项目更新以获取官方数据集。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F8",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},43149,"运行 Streamlit Web UI 时提示 `streamlit: command not found` 怎么办？","这是因为尚未安装 Streamlit 库。请先按照 [Streamlit 官方文档](https:\u002F\u002Fstreamlit.io\u002F) 安装该库（通常使用 `pip install streamlit`），然后再运行启动命令。另外，请注意启动命令中的参数写法，正确的格式是使用点号连接：`streamlit run streamlit.py --server.port=8501`（而非 `--server_port`）。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F10",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},43150,"在 Colab 上运行时遇到 `unrecognized arguments: --local-rank=0` 错误或无法跑通怎么办？","这是由于 PyTorch 分布式启动参数兼容性问题以及本项目 v1 版本已停止维护导致的。维护者明确建议不再修复 v1 的此类问题，请直接改用更新的版本 [Live3D-v2](https:\u002F\u002Fgithub.com\u002Ftranspchan\u002FLive3D-v2)，该版本解决了大部分运行环境问题并提供了更好的支持。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F13",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},43151,"为什么通过视频序列自动生成的 UDP 效果不稳定？","当前发布版本（v1）的 UDP 检测器精度确实不是很高，导致在处理连续视频帧时可能出现抖动或不稳定。维护者指出下一版本（v2）的 UDP 检测器性能将会有显著提升。如果急需高质量结果，建议尝试使用基于 3D 模型的方法（如 Live3D 项目中的相关功能）来获取更稳定的 UDP 数据。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FIJCAI2023-CoNR\u002Fissues\u002F9",[]]