[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-megvii-research--NAFNet":3,"tool-megvii-research--NAFNet":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",160411,2,"2026-04-18T23:33:24",[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":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":10,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":142},9367,"megvii-research\u002FNAFNet","NAFNet","The state-of-the-art image restoration model without nonlinear activation functions.","NAFNet 是一款专注于图像修复的先进开源模型，旨在高效解决图像去模糊、去噪以及立体图像超分辨率等常见问题。在当前的图像处理领域，许多顶尖方法虽然效果出色，但系统结构日益复杂，导致计算成本高昂且难以分析。NAFNet 的出现正是为了打破这一困境，它在保持甚至超越现有最先进方法性能的同时，大幅降低了计算资源的需求。\n\n该模型的核心技术亮点在于其“无非线性激活”的设计理念。研究团队发现，传统神经网络中必不可少的 Sigmoid、ReLU 等非线性激活函数，在图像修复任务中其实可以被简单的乘法运算替代或直接移除。基于这一发现构建的 NAFNet，不仅结构更加简洁清晰，更实现了惊人的效率提升。例如在 GoPro 去模糊基准测试中，它以仅相当于此前最优模型 8.4% 的计算量，取得了更高的画质评分。\n\nNAFNet 非常适合计算机视觉研究人员、算法开发者以及对图像处理效率有较高要求的技术团队使用。对于希望深入理解网络结构设计、或在资源受限设备上部署高质量图像修复应用的开发者而言，NAFNet 提供了一个极具参考价值的简洁基线方案，让高性能图像恢复变得更加轻量且易于实现。","[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fsimple-baselines-for-image-restoration\u002Fimage-deblurring-on-gopro)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fimage-deblurring-on-gopro?p=simple-baselines-for-image-restoration)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fsimple-baselines-for-image-restoration\u002Fimage-denoising-on-sidd)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fimage-denoising-on-sidd?p=simple-baselines-for-image-restoration)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-flickr1024-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-flickr1024-1?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-flickr1024-2)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-flickr1024-2?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2012-2x-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2012-2x-1?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2012-4x)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2012-4x?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2015-2x)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2015-2x?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2015-4x)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2015-4x?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-middlebury-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-middlebury-1?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-middlebury)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-middlebury?p=nafssr-stereo-image-super-resolution-using)\n\n## NAFNet: Nonlinear Activation Free Network for Image Restoration\n\nThe official pytorch implementation of the paper **[Simple Baselines for Image Restoration (ECCV2022)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.04676)**\n\n#### Liangyu Chen\\*, Xiaojie Chu\\*, Xiangyu Zhang, Jian Sun\n\n>Although there have been significant advances in the field of image restoration recently, the system complexity of the state-of-the-art (SOTA) methods is increasing as well, which may hinder the convenient analysis and comparison of methods. \n>In this paper, we propose a simple baseline that exceeds the SOTA methods and is computationally efficient. \n>To further simplify the baseline, we reveal that the nonlinear activation functions, e.g. Sigmoid, ReLU, GELU, Softmax, etc. are **not necessary**: they could be replaced by multiplication or removed. Thus, we derive a Nonlinear Activation Free Network, namely NAFNet, from the baseline. SOTA results are achieved on various challenging benchmarks, e.g. 33.69 dB PSNR on GoPro (for image deblurring), exceeding the previous SOTA 0.38 dB with only 8.4% of its computational costs; 40.30 dB PSNR on SIDD (for image denoising), exceeding the previous SOTA 0.28 dB with less than half of its computational costs.\n\n| \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_b3a053045573.gif\"  height=224 width=224 alt=\"NAFNet For Image Denoise\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_84e5d901bb3d.gif\" width=400 height=224 alt=\"NAFNet For Image Deblur\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_2e84df945655.gif\" height=224 width=326 alt=\"NAFSSR For Stereo Image Super Resolution\"> |\n| :----------------------------------------------------------: | :----------------------------------------------------------: | :----------------------------------------------------------: |\n|                           Denoise                            |                            Deblur                            |                           StereoSR([NAFSSR](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fblob\u002Fmain\u002Fdocs\u002FStereoSR.md))                           |\n\n![PSNR_vs_MACs](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_4ad0bc119666.jpg)\n\n### News\n**2022.08.02** The Baseline, including the pretrained models and train\u002Ftest configs, are available now.\n\n**2022.07.03** Related work, [Improving Image Restoration by Revisiting Global Information Aggregation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2112.04491) (TLC, a.k.a TLSC in our paper) is accepted by **ECCV2022** :tada: . Code is available at https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FTLC.\n\n**2022.07.03** Our [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.04676) is accepted by **ECCV2022** :tada:\n\n**2022.06.19** [NAFSSR](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08714) (as a challenge winner) is selected for an ORAL presentation at CVPR 2022, NTIRE workshop  :tada: [Presentation video](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F16w33zrb3UI0ZIhvvdTvGB2MP01j0zJve\u002Fview), [slides](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Fntire22\u002Fslides\u002FChu_NAFSSR_slides.pdf) and [poster](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Fntire22\u002Fposters\u002FChu_NAFSSR_poster.pdf) are available now.\n\n**2022.04.15** NAFNet based Stereo Image Super-Resolution solution ([NAFSSR](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08714)) won the **1st place** on the NTIRE 2022 Stereo Image Super-resolution Challenge! Training\u002FEvaluation instructions see [here](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fblob\u002Fmain\u002Fdocs\u002FStereoSR.md). \n\n### Installation\nThis implementation based on [BasicSR](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FBasicSR) which is a open source toolbox for image\u002Fvideo restoration tasks and [HINet](https:\u002F\u002Fgithub.com\u002Fmegvii-model\u002FHINet) \n\n```python\npython 3.9.5\npytorch 1.11.0\ncuda 11.3\n```\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\ncd NAFNet\npip install -r requirements.txt\npython setup.py develop --no_cuda_ext\n```\n\n### Quick Start \n* Image Denoise Colab Demo: [\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1dkO5AyktmBoWwxBwoKFUurIDn0m4qDXT?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"google colab logo\">\u003C\u002Fa>](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1dkO5AyktmBoWwxBwoKFUurIDn0m4qDXT?usp=sharing)\n* Image Deblur Colab Demo: [\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1yR2ClVuMefisH12d_srXMhHnHwwA1YmU?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"google colab logo\">\u003C\u002Fa>](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1yR2ClVuMefisH12d_srXMhHnHwwA1YmU?usp=sharing)\n* Stereo Image Super-Resolution Colab Demo: [\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1PkLog2imf7jCOPKq1G32SOISz0eLLJaO?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"google colab logo\">\u003C\u002Fa>](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1PkLog2imf7jCOPKq1G32SOISz0eLLJaO?usp=sharing)\n* Single Image Inference Demo:\n    * Image Denoise:\n    ```\n    python basicsr\u002Fdemo.py -opt options\u002Ftest\u002FSIDD\u002FNAFNet-width64.yml --input_path .\u002Fdemo\u002Fnoisy.png --output_path .\u002Fdemo\u002Fdenoise_img.png\n  ```\n    * Image Deblur:\n    ```\n    python basicsr\u002Fdemo.py -opt options\u002Ftest\u002FREDS\u002FNAFNet-width64.yml --input_path .\u002Fdemo\u002Fblurry.jpg --output_path .\u002Fdemo\u002Fdeblur_img.png\n    ```\n    * ```--input_path```: the path of the degraded image\n    * ```--output_path```: the path to save the predicted image\n    * [pretrained models](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002F#results-and-pre-trained-models) should be downloaded. \n    * Integrated into [Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces) using [Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio). Try out the Web Demo for single image restoration[![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchuxiaojie\u002FNAFNet)\n* Stereo Image Inference Demo:\n    * Stereo Image Super-resolution:\n    ```\n    python basicsr\u002Fdemo_ssr.py -opt options\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_4x.yml \\\n    --input_l_path .\u002Fdemo\u002Flr_img_l.png --input_r_path .\u002Fdemo\u002Flr_img_r.png \\\n    --output_l_path .\u002Fdemo\u002Fsr_img_l.png --output_r_path .\u002Fdemo\u002Fsr_img_r.png\n    ```\n    * ```--input_l_path```: the path of the degraded left image\n    * ```--input_r_path```: the path of the degraded right image\n    * ```--output_l_path```: the path to save the predicted left image\n    * ```--output_r_path```: the path to save the predicted right image\n    * [pretrained models](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002F#results-and-pre-trained-models) should be downloaded. \n    * Integrated into [Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces) using [Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio). Try out the Web Demo for stereo image super-resolution[![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchuxiaojie\u002FNAFSSR)\n* Try the web demo with all three tasks here: [![Replicate](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_7dacf1cc5d87.png)](https:\u002F\u002Freplicate.com\u002Fmegvii-research\u002Fnafnet)\n\n### Results and Pre-trained Models\n\n| name | Dataset|PSNR|SSIM| pretrained models | configs |\n|:----|:----|:----|:----|:----|-----|\n|NAFNet-GoPro-width32|GoPro|32.8705|0.9606|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Fr2QadtDCEXg6iwWX8OzeZLbHOx2t5Bj\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1AbgG0yoROHmrRQN7dgzDvQ?pwd=so6v)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FNAFNet-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FNAFNet-width32.yml)|\n|NAFNet-GoPro-width64|GoPro|33.7103|0.9668|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1S0PVRbyTakYY9a82kujgZLbMihfNBLfC\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1g-E1x6En-PbYXm94JfI1vg?pwd=wnwh)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FNAFNet-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FNAFNet-width64.yml)|\n|NAFNet-SIDD-width32|SIDD|39.9672|0.9599|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1lsByk21Xw-6aW7epCwOQxvm6HYCQZPHZ\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Xses38SWl-7wuyuhaGNhaw?pwd=um97)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FNAFNet-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FNAFNet-width32.yml)|\n|NAFNet-SIDD-width64|SIDD|40.3045|0.9614|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F14Fht1QQJ2gMlk4N1ERCRuElg8JfjrWWR\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F198kYyVSrY_xZF0jGv9U0sQ?pwd=dton)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FNAFNet-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FNAFNet-width64.yml)|\n|NAFNet-REDS-width64|REDS|29.0903|0.8671|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F14D4V4raNYIOhETfcuuLI3bGLB-OYIv6X\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1vg89ccbpIxg3mK9IONBfGg?pwd=9fas)|[train](.\u002Foptions\u002Ftrain\u002FREDS\u002FNAFNet-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FREDS\u002FNAFNet-width64.yml)|\n|NAFSSR-L_4x|Flickr1024|24.17|0.7589|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1TIdQhPtBrZb2wrBdAp9l8NHINLeExOwb\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1P8ioEuI1gwydA2Avr3nUvw?pwd=qs7a)|[train](.\u002Foptions\u002Ftrain\u002FNAFSSR\u002FNAFSSR-L_4x.yml) \\| [test](.\u002Foptions\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_4x.yml)|\n|NAFSSR-L_2x|Flickr1024|29.68|0.9221|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1SZ6bQVYTVS_AXedBEr-_mBCC-qGYHLmf\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1GS6YQSSECH8hAKhvzw6GyQ?pwd=2v3v)|[train](.\u002Foptions\u002Ftrain\u002FNAFSSR\u002FNAFSSR-L_2x.yml) \\| [test](.\u002Foptions\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_2x.yml)|\n|Baseline-GoPro-width32|GoPro|32.4799|0.9575|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F14z7CxRzVkYEhFgsZg79GlPTEr3VFIGyl\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1WnFKYTAQyAQ9XuD5nlHw_Q?pwd=oieh)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FBaseline-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FBaseline-width32.yml)|\n|Baseline-GoPro-width64|GoPro|33.3960|0.9649|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1yy0oPNJjJxfaEmO0pfPW_TpeoCotYkuO\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Fqi2T4nyF_wo4wh1QpgIGg?pwd=we36)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FBaseline-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FBaseline-width64.yml)|\n|Baseline-SIDD-width32|SIDD|39.8857|0.9596|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1NhqVcqkDcYvYgF_P4BOOfo9tuTcKDuhW\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wkskmCRKhXq6dGa6Ns8D0A?pwd=0rin)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FBaseline-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FBaseline-width32.yml)|\n|Baseline-SIDD-width64|SIDD|40.2970|0.9617|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wQ1HHHPhSp70_ledMBZhDhIGjZQs16wO\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ivruGfSRGfWq5AEB8qc7YQ?pwd=t9w8)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FBaseline-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FBaseline-width64.yml)|\n\n\n### Image Restoration Tasks \n\n| Task                                 | Dataset | Train\u002FTest Instructions            | Visualization Results                                        |\n| :----------------------------------- | :------ | :---------------------- | :----------------------------------------------------------- |\n| Image Deblurring                     | GoPro   | [link](.\u002Fdocs\u002FGoPro.md) | [gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1S8u4TqQP6eHI81F9yoVR0be-DLh4cNgb\u002Fview?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1yNYQhznChafsbcfHO44aHQ?pwd=96ii)|\n| Image Denoising                      | SIDD    | [link](.\u002Fdocs\u002FSIDD.md)  | [gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1rbBYD64bfvbHOrN3HByNg0vz6gHQq7Np\u002Fview?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wIubY6SeXRfZHpp6bAojqQ?pwd=hu4t)|\n| Image Deblurring with JPEG artifacts | REDS    | [link](.\u002Fdocs\u002FREDS.md)  | [gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1FwHWYPXdPtUkPqckpz-WBitpVyPuXFRi\u002Fview?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F17T30w5xAtBQQ2P3wawLiVA?pwd=put5) |\n| Stereo Image Super-Resolution | Flickr1024+Middlebury    | [link](.\u002Fdocs\u002FStereoSR.md)  | [gdrive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1lTKe2TU7F-KcU-oaF8jqgoUwIMb6RW0w?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kov6ivrSFy1FuToCATbyrA?pwd=q263 ) |\n\n\n### Citations\nIf NAFNet helps your research or work, please consider citing NAFNet.\n\n```\n@article{chen2022simple,\n  title={Simple Baselines for Image Restoration},\n  author={Chen, Liangyu and Chu, Xiaojie and Zhang, Xiangyu and Sun, Jian},\n  journal={arXiv preprint arXiv:2204.04676},\n  year={2022}\n}\n```\nIf NAFSSR helps your research or work, please consider citing NAFSSR.\n```\n@InProceedings{chu2022nafssr,\n    author    = {Chu, Xiaojie and Chen, Liangyu and Yu, Wenqing},\n    title     = {NAFSSR: Stereo Image Super-Resolution Using NAFNet},\n    booktitle = {Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops},\n    month     = {June},\n    year      = {2022},\n    pages     = {1239-1248}\n}\n```\n\n### Contact\n\nIf you have any questions, please contact chenliangyu@megvii.com or chuxiaojie@megvii.com\n\n---\n\n\u003Cdetails>\n\u003Csummary>statistics\u003C\u002Fsummary>\n\n![visitors](https:\u002F\u002Fvisitor-badge.glitch.me\u002Fbadge?page_id=megvii-research\u002FNAFNet)\n\n\u003C\u002Fdetails>\n\n","[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fsimple-baselines-for-image-restoration\u002Fimage-deblurring-on-gopro)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fimage-deblurring-on-gopro?p=simple-baselines-for-image-restoration)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fsimple-baselines-for-image-restoration\u002Fimage-denoising-on-sidd)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fimage-denoising-on-sidd?p=simple-baselines-for-image-restoration)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-flickr1024-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-flickr1024-1?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-flickr1024-2)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-flickr1024-2?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2012-2x-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2012-2x-1?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2012-4x)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2012-4x?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2015-2x)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2015-2x?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-kitti2015-4x)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-kitti2015-4x?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-middlebury-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-middlebury-1?p=nafssr-stereo-image-super-resolution-using)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fnafssr-stereo-image-super-resolution-using\u002Fstereo-image-super-resolution-on-middlebury)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fstereo-image-super-resolution-on-middlebury?p=nafssr-stereo-image-super-resolution-using)\n\n## NAFNet：无非线性激活函数的图像修复网络\n\n论文 **《图像修复的简单基线（ECCV2022）》** 的官方 PyTorch 实现。\n\n#### 梁宇辰\\*、楚晓杰\\*、张翔宇、孙健\n\n>尽管近年来图像修复领域取得了显著进展，但当前最先进方法的系统复杂度也在不断增加，这可能会阻碍对不同方法的便捷分析与比较。\n>在本文中，我们提出了一种简单的基线模型，其性能超越了现有最先进方法，同时计算效率更高。\n>为进一步简化该基线，我们发现诸如 Sigmoid、ReLU、GELU、Softmax 等非线性激活函数**并非必需**：它们可以被乘法替代或直接移除。因此，我们从该基线中推导出一种无非线性激活函数的网络，即 NAFNet。我们在多个具有挑战性的基准测试上取得了最先进的结果，例如在 GoPro 数据集上的图像去模糊任务中达到了 33.69 dB 的 PSNR 值，比之前的最先进方法高出 0.38 dB，而计算成本仅为后者的 8.4%；在 SIDD 数据集上的图像去噪任务中则达到了 40.30 dB 的 PSNR 值，比先前的最先进方法高出 0.28 dB，且计算成本不到后者的一半。\n\n| \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_b3a053045573.gif\"  height=224 width=224 alt=\"NAFNet用于图像去噪\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_84e5d901bb3d.gif\" width=400 height=224 alt=\"NAFNet用于图像去模糊\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_2e84df945655.gif\" height=224 width=326 alt=\"NAFSSR用于立体图像超分辨率\"> |\n| :----------------------------------------------------------: | :----------------------------------------------------------: | :----------------------------------------------------------: |\n|                           去噪                            |                            去模糊                            |                           立体超分辨率([NAFSSR](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fblob\u002Fmain\u002Fdocs\u002FStereoSR.md))                           |\n\n![PSNR_vs_MACs](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_4ad0bc119666.jpg)\n\n### 最新消息\n**2022年8月2日** 基线模型，包括预训练模型和训练\u002F测试配置，现已开放下载。\n\n**2022年7月3日** 相关工作 **《通过重新审视全局信息聚合提升图像修复》**（TLC，即我们论文中的 TLSC）已被 **ECCV2022** 接受 :tada: 。代码可在 https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FTLC 上获取。\n\n**2022年7月3日** 我们的 **论文**（https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.04676）已被 **ECCV2022** 接受 :tada:\n\n**2022年6月19日** [NAFSSR](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08714)（作为挑战赛冠军）被选为 CVPR 2022 NTIRE 研讨会的口头报告环节发言者 :tada: [演示视频](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F16w33zrb3UI0ZIhvvdTvGB2MP01j0zJve\u002Fview)、[幻灯片](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Fntire22\u002Fslides\u002FChu_NAFSSR_slides.pdf) 和 [海报](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Fntire22\u002Fposters\u002FChu_NAFSSR_poster.pdf) 现已公开。\n\n**2022年4月15日** 基于 NAFNet 的立体图像超分辨率解决方案 ([NAFSSR](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.08714)) 在 NTIRE 2022 立体图像超分辨率挑战赛中荣获 **第一名**！训练\u002F评估说明请参见 [这里](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fblob\u002Fmain\u002Fdocs\u002FStereoSR.md)。\n\n### 安装\n本实现基于 **BasicSR**（https:\u002F\u002Fgithub.com\u002Fxinntao\u002FBasicSR），这是一个用于图像\u002F视频修复任务的开源工具箱，以及 **HINet**（https:\u002F\u002Fgithub.com\u002Fmegvii-model\u002FHINet）。\n\n```python\npython 3.9.5\npytorch 1.11.0\ncuda 11.3\n```\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\ncd NAFNet\npip install -r requirements.txt\npython setup.py develop --no_cuda_ext\n```\n\n### 快速入门 \n* 图像去噪 Colab 示例：[\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1dkO5AyktmBoWwxBwoKFUurIDn0m4qDXT?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"google colab logo\">\u003C\u002Fa>](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1dkO5AyktmBoWwxBwoKFUurIDn0m4qDXT?usp=sharing)\n* 图像去模糊 Colab 示例：[\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1yR2ClVuMefisH12d_srXMhHnHwwA1YmU?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"google colab logo\">\u003C\u002Fa>](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1yR2ClVuMefisH12d_srXMhHnHwwA1YmU?usp=sharing)\n* 立体图像超分辨率 Colab 示例：[\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1PkLog2imf7jCOPKq1G32SOISz0eLLJaO?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"google colab logo\">\u003C\u002Fa>](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1PkLog2imf7jCOPKq1G32SOISz0eLLJaO?usp=sharing)\n* 单张图像推理示例：\n    * 图像去噪：\n    ```\n    python basicsr\u002Fdemo.py -opt options\u002Ftest\u002FSIDD\u002FNAFNet-width64.yml --input_path .\u002Fdemo\u002Fnoisy.png --output_path .\u002Fdemo\u002Fdenoise_img.png\n  ```\n    * 图像去模糊：\n    ```\n    python basicsr\u002Fdemo.py -opt options\u002Ftest\u002FREDS\u002FNAFNet-width64.yml --input_path .\u002Fdemo\u002Fblurry.jpg --output_path .\u002Fdemo\u002Fdeblur_img.png\n    ```\n    * ```--input_path```: 退化图像的路径\n    * ```--output_path```: 预测图像的保存路径\n    * 应下载[预训练模型](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002F#results-and-pre-trained-models)。 \n    * 使用[Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio)集成到[Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces)中。体验单张图像修复的网页演示[![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchuxiaojie\u002FNAFNet)\n* 立体图像推理示例：\n    * 立体图像超分辨率：\n    ```\n    python basicsr\u002Fdemo_ssr.py -opt options\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_4x.yml \\\n    --input_l_path .\u002Fdemo\u002Flr_img_l.png --input_r_path .\u002Fdemo\u002Flr_img_r.png \\\n    --output_l_path .\u002Fdemo\u002Fsr_img_l.png --output_r_path .\u002Fdemo\u002Fsr_img_r.png\n    ```\n    * ```--input_l_path```: 退化左图的路径\n    * ```--input_r_path```: 退化右图的路径\n    * ```--output_l_path```: 预测左图的保存路径\n    * ```--output_r_path```: 预测右图的保存路径\n    * 应下载[预训练模型](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002F#results-and-pre-trained-models)。 \n    * 使用[Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio)集成到[Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces)中。体验立体图像超分辨率的网页演示[![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchuxiaojie\u002FNAFSSR)\n* 在这里尝试包含所有三项任务的网页演示：[![Replicate](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_readme_7dacf1cc5d87.png)](https:\u002F\u002Freplicate.com\u002Fmegvii-research\u002Fnafnet)\n\n### 结果与预训练模型\n\n| 名称 | 数据集|PSNR|SSIM| 预训练模型 | 配置文件 |\n|:----|:----|:----|:----|:----|-----|\n|NAFNet-GoPro-width32|GoPro|32.8705|0.9606|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Fr2QadtDCEXg6iwWX8OzeZLbHOx2t5Bj\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1AbgG0yoROHmrRQN7dgzDvQ?pwd=so6v)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FNAFNet-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FNAFNet-width32.yml)|\n|NAFNet-GoPro-width64|GoPro|33.7103|0.9668|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1S0PVRbyTakYY9a82kujgZLbMihfNBLfC\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1g-E1x6En-PbYXm94JfI1vg?pwd=wnwh)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FNAFNet-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FNAFNet-width64.yml)|\n|NAFNet-SIDD-width32|SIDD|39.9672|0.9599|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1lsByk21Xw-6aW7epCwOQxvm6HYCQZPHZ\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Xses38SWl-7wuyuhaGNhaw?pwd=um97)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FNAFNet-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FNAFNet-width32.yml)|\n|NAFNet-SIDD-width64|SIDD|40.3045|0.9614|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F14Fht1QQJ2gMlk4N1ERCRuElg8JfjrWWR\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F198kYyVSrY_xZF0jGv9U0sQ?pwd=dton)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FNAFNet-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FNAFNet-width64.yml)|\n|NAFNet-REDS-width64|REDS|29.0903|0.8671|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F14D4V4raNYIOhETfcuuLI3bGLB-OYIv6X\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1vg89ccbpIxg3mK9IONBfGg?pwd=9fas)|[train](.\u002Foptions\u002Ftrain\u002FREDS\u002FNAFNet-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FREDS\u002FNAFNet-width64.yml)|\n|NAFSSR-L_4x|Flickr1024|24.17|0.7589|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1TIdQhPtBrZb2wrBdAp9l8NHINLeExOwb\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1P8ioEuI1gwydA2Avr3nUvw?pwd=qs7a)|[train](.\u002Foptions\u002Ftrain\u002FNAFSSR\u002FNAFSSR-L_4x.yml) \\| [test](.\u002Foptions\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_4x.yml)|\n|NAFSSR-L_2x|Flickr1024|29.68|0.9221|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1SZ6bQVYTVS_AXedBEr-_mBCC-qGYHLmf\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1GS6YQSSECH8hAKhvzw6GyQ?pwd=2v3v)|[train](.\u002Foptions\u002Ftrain\u002FNAFSSR\u002FNAFSSR-L_2x.yml) \\| [test](.\u002Foptions\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_2x.yml)|\n|Baseline-GoPro-width32|GoPro|32.4799|0.9575|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F14z7CxRzVkYEhFgsZg79GlPTEr3VFIGyl\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1WnFKYTAQyAQ9XuD5nlHw_Q?pwd=oieh)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FBaseline-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FBaseline-width32.yml)|\n|Baseline-GoPro-width64|GoPro|33.3960|0.9649|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1yy0oPNJjJxfaEmO0pfPW_TpeoCotYkuO\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Fqi2T4nyF_wo4wh1QpgIGg?pwd=we36)|[train](.\u002Foptions\u002Ftrain\u002FGoPro\u002FBaseline-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FGoPro\u002FBaseline-width64.yml)|\n|Baseline-SIDD-width32|SIDD|39.8857|0.9596|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1NhqVcqkDcYvYgF_P4BOOfo9tuTcKDuhW\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wkskmCRKhXq6dGa6Ns8D0A?pwd=0rin)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FBaseline-width32.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FBaseline-width32.yml)|\n|Baseline-SIDD-width64|SIDD|40.2970|0.9617|[gdrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wQ1HHHPhSp70_ledMBZhDhIGjZQs16wO\u002Fview?usp=sharing)  \\|  [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ivruGfSRGfWq5AEB8qc7YQ?pwd=t9w8)|[train](.\u002Foptions\u002Ftrain\u002FSIDD\u002FBaseline-width64.yml) \\| [test](.\u002Foptions\u002Ftest\u002FSIDD\u002FBaseline-width64.yml)|\n\n### 图像恢复任务\n\n| 任务                                 | 数据集 | 训练\u002F测试说明            | 可视化结果                                        |\n| :----------------------------------- | :------ | :---------------------- | :----------------------------------------------------------- |\n| 图像去模糊                     | GoPro   | [链接](.\u002Fdocs\u002FGoPro.md) | [谷歌云盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1S8u4TqQP6eHI81F9yoVR0be-DLh4cNgb\u002Fview?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1yNYQhznChafsbcfHO44aHQ?pwd=96ii)|\n| 图像去噪                      | SIDD    | [链接](.\u002Fdocs\u002FSIDD.md)  | [谷歌云盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1rbBYD64bfvbHOrN3HByNg0vz6gHQq7Np\u002Fview?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wIubY6SeXRfZHpp6bAojqQ?pwd=hu4t)|\n| 带有JPEG伪影的图像去模糊 | REDS    | [链接](.\u002Fdocs\u002FREDS.md)  | [谷歌云盘](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1FwHWYPXdPtUkPqckpz-WBitpVyPuXFRi\u002Fview?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F17T30w5xAtBQQ2P3wawLiVA?pwd=put5) |\n| 立体图像超分辨率 | Flickr1024+Middlebury    | [链接](.\u002Fdocs\u002FStereoSR.md)  | [谷歌云盘](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1lTKe2TU7F-KcU-oaF8jqgoUwIMb6RW0w?usp=sharing)   \\|   [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1kov6ivrSFy1FuToCATbyrA?pwd=q263 ) |\n\n\n### 引用\n如果NAFNet对您的研究或工作有所帮助，请考虑引用NAFNet。\n\n```\n@article{chen2022simple,\n  title={简单图像恢复基线},\n  author={陈亮宇、褚晓杰、张翔宇、孙健},\n  journal={arXiv预印本 arXiv:2204.04676},\n  year={2022}\n}\n```\n如果NAFSSR对您的研究或工作有所帮助，请考虑引用NAFSSR。\n```\n@InProceedings{chu2022nafssr,\n    author    = {褚晓杰、陈亮宇、于文清},\n    title     = {NAFSSR：基于NAFNet的立体图像超分辨率},\n    booktitle = {IEEE\u002FCVF计算机视觉与模式识别会议（CVPR）研讨会论文集},\n    month     = {六月},\n    year      = {2022},\n    pages     = {1239-1248}\n}\n```\n\n### 联系方式\n\n如有任何问题，请联系 chenliangyu@megvii.com 或 chuxiaojie@megvii.com\n\n---\n\n\u003Cdetails>\n\u003Csummary>统计信息\u003C\u002Fsummary>\n\n![访问者数量](https:\u002F\u002Fvisitor-badge.glitch.me\u002Fbadge?page_id=megvii-research\u002FNAFNet)\n\n\u003C\u002Fdetails>","# NAFNet 快速上手指南\n\nNAFNet (Nonlinear Activation Free Network) 是一个用于图像复原（去噪、去模糊、立体超分）的高效深度学习模型。它在多个基准测试中超越了 SOTA 方法，且计算成本更低。\n\n## 1. 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) 或 Windows\n*   **Python**: 3.9.5\n*   **PyTorch**: 1.11.0\n*   **CUDA**: 11.3 (如需 GPU 加速)\n*   **依赖库**: 基于 [BasicSR](https:\u002F\u002Fgithub.com\u002Fxinntao\u002FBasicSR) 和 [HINet](https:\u002F\u002Fgithub.com\u002Fmegvii-model\u002FHINet) 构建\n\n## 2. 安装步骤\n\n克隆项目仓库并安装依赖。国内用户建议使用镜像源加速安装。\n\n```bash\n# 克隆代码\ngit clone https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\ncd NAFNet\n\n# 安装依赖 (推荐使用国内镜像源)\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装开发模式 (不编译 CUDA 扩展)\npython setup.py develop --no_cuda_ext\n```\n\n> **注意**：如果您需要完整的 CUDA 加速支持且环境配置正确，可尝试移除 `--no_cuda_ext` 参数，但上述命令能保证在大多数环境下快速运行 CPU\u002FGPU 推理。\n\n## 3. 基本使用\n\n使用前请先从 [预训练模型列表](https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002F#results-and-pre-trained-models) 下载对应的 `.pth` 权重文件，并根据示例中的配置文件路径放置好（通常需放入 `experiments\u002Fpretrained_models` 或在配置文件中指定路径）。\n\n### 3.1 单张图像去噪 (Image Denoise)\n\n将噪声图像还原为清晰图像（基于 SIDD 数据集模型）。\n\n```bash\npython basicsr\u002Fdemo.py -opt options\u002Ftest\u002FSIDD\u002FNAFNet-width64.yml --input_path .\u002Fdemo\u002Fnoisy.png --output_path .\u002Fdemo\u002Fdenoise_img.png\n```\n\n*   `--input_path`: 输入噪声图片的路径。\n*   `--output_path`: 输出去噪后图片的保存路径。\n\n### 3.2 单张图像去模糊 (Image Deblur)\n\n将模糊图像还原为清晰图像（基于 GoPro\u002FREDS 数据集模型）。\n\n```bash\npython basicsr\u002Fdemo.py -opt options\u002Ftest\u002FREDS\u002FNAFNet-width64.yml --input_path .\u002Fdemo\u002Fblurry.jpg --output_path .\u002Fdemo\u002Fdeblur_img.png\n```\n\n*   `--input_path`: 输入模糊图片的路径。\n*   `--output_path`: 输出去模糊后图片的保存路径。\n\n### 3.3 立体图像超分辨率 (Stereo Image Super-Resolution)\n\n对左右视角的低分辨率立体图像进行超分重建。\n\n```bash\npython basicsr\u002Fdemo_ssr.py -opt options\u002Ftest\u002FNAFSSR\u002FNAFSSR-L_4x.yml \\\n--input_l_path .\u002Fdemo\u002Flr_img_l.png --input_r_path .\u002Fdemo\u002Flr_img_r.png \\\n--output_l_path .\u002Fdemo\u002Fsr_img_l.png --output_r_path .\u002Fdemo\u002Fsr_img_r.png\n```\n\n*   `--input_l_path` \u002F `--input_r_path`: 左\u002F右视角低分辨率图片的路径。\n*   `--output_l_path` \u002F `--output_r_path`: 左\u002F右视角超分后图片的保存路径。\n\n---\n**提示**：如果不想配置本地环境，可以直接使用官方提供的 Colab 演示或 Hugging Face Spaces 在线体验：\n*   [去噪在线演示](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1dkO5AyktmBoWwxBwoKFUurIDn0m4qDXT?usp=sharing)\n*   [去模糊在线演示](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1yR2ClVuMefisH12d_srXMhHnHwwA1YmU?usp=sharing)\n*   [Web Demo (Hugging Face)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchuxiaojie\u002FNAFNet)","某安防监控团队正在处理夜间抓拍的高噪点车牌图像，急需在边缘设备上实现实时的清晰化还原以辅助识别。\n\n### 没有 NAFNet 时\n- **画质修复瓶颈明显**：传统去噪模型在处理极端低光噪声时，往往无法平衡噪点去除与细节保留，导致车牌字符边缘模糊或出现伪影。\n- **计算资源消耗过大**：现有的 SOTA（最先进）模型结构复杂，包含大量非线性激活函数，在嵌入式网关上推理延迟高达数百毫秒，无法满足实时性要求。\n- **部署调试困难**：复杂的网络层级和激活操作使得模型量化难度大，难以在低功耗芯片上高效运行，且不同场景下的参数调优耗时费力。\n- **能效比低下**：为了维持一定的修复效果，不得不牺牲电池续航或增加散热成本，限制了设备在户外长期稳定运行的能力。\n\n### 使用 NAFNet 后\n- **修复精度显著提升**：NAFNet 凭借独特的无非线性激活设计，在 SIDD 基准测试中达到 40.30 dB PSNR，能精准还原夜间车牌纹理，同时彻底消除噪点干扰。\n- **推理速度大幅加快**：在 GoPro 去模糊任务中，NAFNet 仅用此前最先进模型 8.4% 的计算量就超越了其效果，将单帧处理时间压缩至毫秒级，完美适配实时流。\n- **架构简化易于部署**：移除了 Sigmoid、ReLU 等复杂激活函数，网络结构极度精简，不仅降低了量化损失，还让工程师能快速完成边缘端移植。\n- **硬件成本有效降低**：极高的计算效率使得团队可以在更低算力的芯片上运行高质量修复算法，显著减少了单台设备的硬件投入和能耗。\n\nNAFNet 通过极简的无激活函数架构，打破了图像修复领域“高性能必高消耗”的魔咒，让高精度视觉增强真正落地于资源受限的边缘场景。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmegvii-research_NAFNet_2e84df94.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],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,2982,379,"2026-04-17T09:16:02","NOASSERTION","Linux","需要 NVIDIA GPU，CUDA 11.3","未说明",{"notes":92,"python":93,"dependencies":94},"该工具基于 BasicSR 和 HINet 开发。安装时需注意命令中包含 '--no_cuda_ext' 参数，表明可能不需要编译特定的 CUDA 扩展或默认禁用。官方提供了 Colab 演示和 Hugging Face Spaces 网页演示作为替代运行方案。需手动下载预训练模型文件才能进行推理。","3.9.5",[95,96,97],"pytorch==1.11.0","BasicSR","HINet",[14,15],[100,101,102,103,104,105,106,107,108],"deblur","denoise","stereo-super-resolution","eccv2022","image-deblurring","image-denoising","image-restoration","low-level-vision","pytorch","2026-03-27T02:49:30.150509","2026-04-19T09:15:59.609598",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},42006,"运行训练或测试时遇到 'cannot import name create_dataloader' 错误怎么办？","这通常是因为未正确安装 basicsr 库。请确保在项目根目录下运行 setup.py 文件进行安装（例如：python setup.py develop）。如果问题仍未解决，可以尝试检查库文件名是否正确，或者重新在 home 路径下建立 anaconda 环境并安装依赖。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fissues\u002F68",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},42007,"使用预训练模型在特定数据集（如 MC-Blur）上测试时出现明显伪影（artifact）是什么原因？","这可能是因为预训练模型（如在 GoPro 上训练的模型）仅学习了有限场景（约 22 个场景）的模糊模式，导致在其他分布不同的数据集上过拟合。解决方法包括：1. 增加正则化约束（参考 NAFSSR 论文）；2. 使用在更多样化数据集（如 REDS，包含 240 个场景）上训练的预训练模型，以提升泛化能力。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fissues\u002F13",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},42008,"NAFBlock 中的 LayerNorm 是在通道 (C) 维度计算均值方差，这与传统 LayerNorm 有何不同？","这不是传统的 LayerNorm，也不是 BatchNorm。它类似于 Progressive GAN 中的 PixelNorm（减去均值），再加上通道维度的 AffineTransform。PyTorch 官方 LayerNorm 示例是对 [C, H, W] 归一化，而 SwinIR 等架构常用的是对 [C] 归一化（即每个空间位置上的通道值独立归一化）。这种设计是为了适应特定的网络架构需求。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fissues\u002F29",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},42009,"训练过程中 Loss 出现负数是否正常？","Loss 为负数通常不影响模型优化过程。在某些实现中（如 PSNR Loss），可能是由于代码中少写了一个负号导致的显示为负，但这并不代表训练错误。只要模型收敛且指标提升，负的 Loss 值是可以接受的。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fissues\u002F19",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},42010,"如何使用自定义数据集进行去模糊或类似任务（如去噪）的训练和调优？","对于非标准去模糊任务（如显微图像去噪），建议调整以下参数：1. 学习率是最重要的超参数；2. 尝试增加训练迭代次数 (iters)；3. 如果追求视觉锐度，可引入感知损失 (perceptual loss) 或 GAN loss；4. 可以尝试增大模型容量（增加 block 数量），同时相应调整学习率。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fissues\u002F15",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},42011,"使用 torch.distributed.launch 运行 train.py 时报错 'error: the following arguments are required: 0' 如何解决？","该错误通常是因为启动命令格式不正确或缺少必要参数。在使用 `python -m torch.distributed.launch` 时，确保 `-opt` 参数正确指向配置文件路径，并且没有多余的位置参数被误解析。如果是单卡训练，也可以尝试不使用 distributed launch，直接运行 `python train.py -opt \u003Cconfig_path>`，或者检查 torch 版本与启动脚本的兼容性。","https:\u002F\u002Fgithub.com\u002Fmegvii-research\u002FNAFNet\u002Fissues\u002F112",[]]