[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-movehand--raisr":3,"tool-movehand--raisr":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",154349,2,"2026-04-13T23:32:16",[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。",108322,"2026-04-10T11:39:34",[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":75,"owner_email":77,"owner_twitter":75,"owner_website":75,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":32,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":150},7384,"movehand\u002Fraisr","raisr","A Python implementation of RAISR","raisr 是一个基于 Python 实现的开源图像超分辨率工具，旨在将低清晰度图片快速还原为高分辨率版本。它核心解决了传统放大方法（如双线性插值）导致的图像模糊和细节丢失问题，通过智能算法让放大的图片依然保持清晰锐利。\n\n该工具特别适合开发者、计算机视觉研究人员以及对图像质量有较高要求的技术爱好者使用。用户只需准备高清图片作为训练数据，raisr 便能自动学习图像特征并生成专用滤波器；随后，利用这些滤波器即可将任意低分辨率图片高质量地重建为高清版本。\n\nraisr 的最大技术亮点在于其名称所代表的“快速且准确”（Rapid and Accurate）。不同于依赖庞大神经网络的传统深度学习方案，raisr 采用了一种高效的统计学习方法，在显著提升图像细节的同时，大幅降低了计算资源消耗和处理时间，实现了速度与质量的优异平衡。此外，项目还提供了直观的可视化功能，帮助用户深入理解滤镜学习过程及图像重建效果，是探索轻量级图像增强技术的理想选择。","# RAISR\n\nA Python implementation of [RAISR](http:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F7744595\u002F)\n\n## How To Use\n\n### Prerequisites\n\nYou can install most of the following packages using [pip](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fpip).\n\n* [OpenCV-Python](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fopencv-python)\n* [NumPy](http:\u002F\u002Fwww.numpy.org\u002F)\n* [SciPy](https:\u002F\u002Fwww.scipy.org\u002F)\n* [Python Imaging Library (PIL)](http:\u002F\u002Fwww.pythonware.com\u002Fproducts\u002Fpil\u002F)\n* [Matplotlib](https:\u002F\u002Fmatplotlib.org\u002F)\n* [scikit-image](http:\u002F\u002Fscikit-image.org\u002F)\n\n### Training\n\nPut your training images in the `train` directory. The training images are the **high resolution (HR)** ones. Run the following command to start training.\n\n```\npython train.py\n```\n\nIn the training stage, the program virtually downscales the high resolution images. The program then trains the model using the downscaled version images and the original HR images. The learned filters `filter.p` will be saved in the root directory of the project.\nThe result Q, V matrix (`q.p` and `v.p`) will also be saved for further retraining. To train an improved model with your previous Q, V, use the following command.\n\n```\npython train.py -q q.p -v v.p\n```\n\n### Testing\n\nPut your testing images in the `test` directory. Basically, you can use some **low resolution (LR)** images as your testing images. By running the following command, the program takes `filter.p` generated by training as your default filters.\n\n```\npython test.py\n```\n\nThe result (HR version of the testing images) will be saved in the `results` directory.\nTo use an alternative filter file, take using the pretrained `filters\u002Ffilter_BSDS500` for example, use the following command.\n\n```\npython test.py -f filters\u002Ffilter_BSDS500\n```\n\n## Visualization\n\nVisualing the learned filters\n\n```\npython train.py -p\n```\n\nVisualing the process of RAISR image upscaling\n\n```\npython test.py -p\n```\n\nFor more details, use the help command argument `-h`.\n\n## Testing Results\n\nComparing between original image, bilinear interpolation and RAISR:\n\n|         Origin         | Bilinear Interpolation |         RAISR          |\n|:----------------------:|:----------------------:|:----------------------:|\n|![origin_gray_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_24391c8acdcd.png)|![cheap_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_f5ba67548e12.png)|![raisr_gray_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_c843963f0007.png)|\n\nOther results using images taken from [BSDS500 database](https:\u002F\u002Fwww2.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002Fresources.html) and [ArTe-Lab 1D Medium Barcode Dataset](http:\u002F\u002Fartelab.dista.uninsubria.it\u002Fdownloads\u002Fdatasets\u002Fbarcode\u002Fmedium_barcode_1d\u002Fmedium_barcode_1d.html):\n\n|     Origin    |     RAISR     |\n|:-------------:|:-------------:|\n|![origin_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_3d7266216fdf.png)|![raisr_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_280e6c689656.png)|\n|![origin_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_1deefb944c92.png)|![raisr_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_26fc09b5e7aa.png)|\n|![origin_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_586d1d8aa010.png)|![raisr_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_c6ba909e9fc3.png)|\n\n## Contribute\n\nWe actively welcome pull requests. Learn how to [contribute](https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fblob\u002Fmaster\u002Fdocs\u002FCONTRIBUTING.md).\n\n## References\n\n* Y. Romano, J. Isidoro and P. Milanfar, \"RAISR: Rapid and Accurate Image Super Resolution\" in IEEE Transactions on Computational Imaging, vol. 3, no. 1, pp. 110-125, March 2017.\n* P. Arbelaez, M. Maire, C. Fowlkes and J. Malik, \"Contour Detection and Hierarchical Image Segmentation\", IEEE TPAMI, Vol. 33, No. 5, pp. 898-916, May 2011.\n* Alessandro Zamberletti, Ignazio Gallo and Simone Albertini, \"Robust Angle Invariant 1D Barcode Detection\", Proceedings of the 2nd Asian Conference on Pattern Recognition (ACPR), Okinawa, Japan, 2013\n\n## License\n\n[MIT.](https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fblob\u002Fmaster\u002FLICENSE) Copyright (c) 2017 James Chen\n","# RAISR\n\n一个 [RAISR](http:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F7744595\u002F) 的 Python 实现\n\n## 使用方法\n\n### 前置条件\n\n你可以使用 [pip](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fpip) 安装以下大多数包。\n\n* [OpenCV-Python](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fopencv-python)\n* [NumPy](http:\u002F\u002Fwww.numpy.org\u002F)\n* [SciPy](https:\u002F\u002Fwww.scipy.org\u002F)\n* [Python Imaging Library (PIL)](http:\u002F\u002Fwww.pythonware.com\u002Fproducts\u002Fpil\u002F)\n* [Matplotlib](https:\u002F\u002Fmatplotlib.org\u002F)\n* [scikit-image](http:\u002F\u002Fscikit-image.org\u002F)\n\n### 训练\n\n将你的训练图像放入 `train` 目录。这些训练图像都是**高分辨率 (HR)** 图像。运行以下命令开始训练。\n\n```\npython train.py\n```\n\n在训练阶段，程序会虚拟地对高分辨率图像进行下采样。然后，程序会使用下采样后的图像和原始的 HR 图像来训练模型。学习到的滤波器 `filter.p` 会被保存在项目的根目录中。\n结果矩阵 Q 和 V (`q.p` 和 `v.p`) 也会被保存下来，以便后续重新训练。如果你想用之前的 Q、V 来训练一个改进的模型，可以使用以下命令。\n\n```\npython train.py -q q.p -v v.p\n```\n\n### 测试\n\n将你的测试图像放入 `test` 目录。基本上，你可以使用一些**低分辨率 (LR)** 图像作为测试图像。通过运行以下命令，程序会将训练生成的 `filter.p` 作为默认滤波器。\n\n```\npython test.py\n```\n\n结果（测试图像的 HR 版本）会被保存在 `results` 目录中。\n如果你想使用其他的滤波器文件，比如预训练的 `filters\u002Ffilter_BSDS500`，可以使用以下命令。\n\n```\npython test.py -f filters\u002Ffilter_BSDS500\n```\n\n## 可视化\n\n可视化学习到的滤波器\n\n```\npython train.py -p\n```\n\n可视化 RAISR 图像超分辨率的过程\n\n```\npython test.py -p\n```\n\n更多详情，请使用帮助命令参数 `-h`。\n\n## 测试结果\n\n对比原图、双线性插值和 RAISR：\n\n|         原图         | 双线性插值 |         RAISR          |\n|:----------------------:|:----------------------:|:----------------------:|\n|![origin_gray_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_24391c8acdcd.png)|![cheap_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_f5ba67548e12.png)|![raisr_gray_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_c843963f0007.png)|\n\n其他使用来自 [BSDS500 数据库](https:\u002F\u002Fwww2.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002Fresources.html) 和 [ArTe-Lab 1D Medium Barcode Dataset](http:\u002F\u002Fartelab.dista.uninsubria.it\u002Fdownloads\u002Fdatasets\u002Fbarcode\u002Fmedium_barcode_1d\u002Fmedium_barcode_1d.html) 的图像的结果：\n\n|     原图    |     RAISR     |\n|:-------------:|:-------------:|\n|![origin_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_3d7266216fdf.png)|![raisr_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_280e6c689656.png)|\n|![origin_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_1deefb944c92.png)|![raisr_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_26fc09b5e7aa.png)|\n|![origin_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_586d1d8aa010.png)|![raisr_crop bmp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_readme_c6ba909e9fc3.png)|\n\n## 贡献\n\n我们非常欢迎 Pull 请求。请参阅[贡献指南](https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fblob\u002Fmaster\u002Fdocs\u002FCONTRIBUTING.md)了解如何贡献。\n\n## 参考文献\n\n* Y. Romano, J. Isidoro 和 P. Milanfar，《RAISR：快速且精确的图像超分辨率》，IEEE 计算成像汇刊，第 3 卷，第 1 期，第 110–125 页，2017 年 3 月。\n* P. Arbelaez、M. Maire、C. Fowlkes 和 J. Malik，《轮廓检测与分层图像分割》，IEEE TPAMI，第 33 卷，第 5 期，第 898–916 页，2011 年 5 月。\n* Alessandro Zamberletti、Ignazio Gallo 和 Simone Albertini，《鲁棒的角度不变 1D 条形码检测》，第二届亚洲模式识别会议 (ACPR) 论文集，日本冲绳，2013 年。\n\n## 许可证\n\n[MIT 许可证](https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fblob\u002Fmaster\u002FLICENSE)。版权所有 © 2017 James Chen","# RAISR 快速上手指南\n\nRAISR (Rapid and Accurate Image Super Resolution) 是一个基于 Python 实现的图像超分辨率工具，能够快速将低分辨率图像还原为高分辨率图像。\n\n## 环境准备\n\n在开始之前，请确保您的系统已安装 **Python**（推荐 Python 3.x）。本项目依赖以下核心库：\n\n*   OpenCV-Python\n*   NumPy\n*   SciPy\n*   Pillow (PIL)\n*   Matplotlib\n*   scikit-image\n\n> **国内加速建议**：推荐使用国内镜像源（如清华源、阿里源）安装依赖，以提升下载速度。\n\n## 安装步骤\n\n1.  **克隆项目代码**（如果尚未获取）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr.git\n    cd raisr\n    ```\n\n2.  **安装依赖包**：\n    使用 pip 并指定国内镜像源一键安装所有前置依赖：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple opencv-python numpy scipy pillow matplotlib scikit-image\n    ```\n\n## 基本使用\n\n### 1. 训练模型 (Training)\n\n训练过程需要高分辨率（HR）图像作为输入，程序会自动将其下采样以生成训练对。\n\n*   **准备数据**：将您的高清训练图片放入项目根目录下的 `train` 文件夹中。\n*   **开始训练**：运行以下命令，生成的滤波器文件 `filter.p` 及中间矩阵 `q.p`, `v.p` 将保存在根目录。\n    ```bash\n    python train.py\n    ```\n*   **增量训练**（可选）：如果您已有之前的 `q.p` 和 `v.p` 文件，希望在此基础上优化模型，可使用：\n    ```bash\n    python train.py -q q.p -v v.p\n    ```\n\n### 2. 测试与超分 (Testing)\n\n使用训练好的模型对低分辨率（LR）图像进行超分辨率处理。\n\n*   **准备数据**：将待处理的低清图片放入项目根目录下的 `test` 文件夹中。\n*   **执行超分**：默认使用当前目录下的 `filter.p` 进行处理，结果将保存至 `results` 文件夹。\n    ```bash\n    python test.py\n    ```\n*   **使用预训练模型**：若想使用项目自带的预训练滤波器（如基于 BSDS500 数据集训练的模型），可运行：\n    ```bash\n    python test.py -f filters\u002Ffilter_BSDS500\n    ```\n\n### 3. 可视化 (可选)\n\n*   **查看学习到的滤波器**：\n    ```bash\n    python train.py -p\n    ```\n*   **查看图像超分过程演示**：\n    ```bash\n    python test.py -p\n    ```\n\n> 更多参数详情可通过 `-h` 查看：`python train.py -h` 或 `python test.py -h`。","某电商平台的运维团队需要处理大量由老旧监控摄像头拍摄的低分辨率商品仓库截图，以便将其用于新的视觉检索系统。\n\n### 没有 raisr 时\n- 直接使用传统的双线性插值算法放大图片，导致商品标签上的文字边缘模糊、出现严重锯齿，无法被 OCR 系统准确识别。\n- 若尝试使用其他复杂的深度学习超分模型，不仅部署环境配置繁琐（依赖特定 GPU 集群），且单张图片处理耗时过长，难以满足批量历史数据清洗的时效要求。\n- 面对不同清晰度的源图像，缺乏自适应的滤波机制，统一处理后要么细节丢失严重，要么引入了不自然的伪影噪声。\n- 团队需要花费大量时间手动筛选可用图片，人工成本高昂且效率极低。\n\n### 使用 raisr 后\n- 利用 raisr 基于学习到的滤波器进行快速上采样，显著恢复了商品条形码和文字的边缘锐度，OCR 识别率从 60% 提升至 95% 以上。\n- 依托其轻量级的 Python 实现和预训练模型（如 BSDS500 过滤器），无需昂贵算力即可在普通服务器上高效完成万级图片的批量重建。\n- 通过训练阶段生成的自适应 Q\u002FV 矩阵，raisr 能针对不同纹理特征智能调整滤波策略，在去噪的同时保留了真实的货物细节。\n- 自动化流程取代了人工筛选，原本需要一周的数据预处理工作缩短至数小时内完成。\n\nraisr 以极低的计算成本实现了“快速且精准”的图像超分辨率，让低质历史影像数据重新具备了商业分析价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmovehand_raisr_8f23fbc6.png","movehand","James Chen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmovehand_ceb3340f.png",null,"Cino","pp31630@gmail.com","https:\u002F\u002Fgithub.com\u002Fmovehand",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,562,156,"2026-02-23T16:42:47","MIT","未说明 (基于 Python 和 OpenCV，通常支持 Linux, macOS, Windows)","未说明 (基于 CPU 运行的传统图像处理算法，无 GPU 加速需求)","未说明",{"notes":92,"python":93,"dependencies":94},"这是一个纯 Python 实现的图像超分辨率工具，不依赖深度学习框架（如 PyTorch 或 TensorFlow）。使用前需准备高分辨率图像用于训练（train 目录）和低分辨率图像用于测试（test 目录）。训练过程会在本地虚拟下采样高分辨率图像以生成训练对。","未说明 (需支持所列依赖库的 Python 版本)",[95,96,97,98,99,100],"opencv-python","numpy","scipy","pillow (PIL)","matplotlib","scikit-image",[14,15],[103,104,105,106],"image-processing","machine-learning","super-resolution","python","2026-03-27T02:49:30.150509","2026-04-14T12:27:58.762328",[110,115,120,125,130,135,140,145],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},33145,"为什么放大后的图像分辨率比预期少了一行和一列（例如 256 变成 511 而不是 512）？","这是该算法实现的已知特性，输出尺寸通常为 [width*2-1, height*2-1]。这是因为目标像素位于补丁（patch）的中心，导致边缘像素处理上的差异。如果需要精确的 2 倍分辨率以计算 PSNR 或 SSIM，可能需要对结果进行额外的插值或裁剪处理，或者参考相关项目（如 ranguwud\u002Fraisr）查看是否有混合（blending）解决方案。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F15",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},33146,"训练或测试时生成的图像比原图更暗，如何保持亮度（Y 分量）一致？","这是因为代码在将结果 Y 分量缩放回 [0,255] 范围时，未考虑原始图像的动态范围，从而改变了平均亮度和全局对比度。解决方法是修改 `test.py` 第 85 行的代码，将其改为：`predictHR = np.clip(predictHR.astype('float') * 255., 0., 255.)`（具体需根据实际归一化逻辑调整，确保缩放比例正确反映原始亮度范围）。维护者已根据此反馈更新了项目。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F8",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},33147,"为什么设置 patchsize 为偶数（如 10）会报错？","Patchsize（补丁大小）必须是奇数。因为 patchsize 表示目标像素的操作区域，目标像素必须位于补丁的正中心。如果设置为偶数，无法确定中心像素，会导致数组形状不匹配（broadcast error）。建议将 patchsize 设置为奇数（例如 9）。除非你非常清楚自己在做什么，否则不要随意更改此参数。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F19",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},33148,"训练数据集（\u002Ftrain）和测试数据集（\u002Ftest）应该放入高分辨率图像还是低分辨率图像？","通常情况下，RAISR 的训练需要成对的图像。`\u002Ftrain` 文件夹应包含用于学习滤波器的高分辨率（HR）图像（算法会自动生成对应的低分辨率版本进行训练），或者按照 README 中的最新说明准备数据。维护者已在 README 中补充了关于数据准备的详细说明，请务必查阅最新的文档以确认具体的目录结构要求。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F9",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},33149,"在哪里可以获取预训练的滤波器文件（pre-trained filters），以避免漫长的训练过程？","维护者已将预训练的滤波器文件添加到项目中。请查阅项目的 README 文件，其中包含了下载链接或文件存放位置的具体说明。直接使用这些预训练文件可以跳过耗时的训练步骤（原本训练 800 张图像可能需要极长时间）。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F3",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},33150,"如何优化性能以实现 GPU 加速？目前 CPU 单核运行太慢。","目前原生实现主要依赖 CPU。社区建议以下几种优化方案：\n1. 利用 OpenCV 的 OpenCL 支持：如果系统可用，OpenCV 会自动利用 GPU 进行图像处理。重写图像预处理部分以使用 OpenCV 可带来显著性能提升。\n2. 并行化处理：当前训练循环仅使用单核，可以通过多进程或多线程并行化 `for` 循环来利用多核 CPU。\n3. 自定义实现：有用户实现了基于 OpenGL 计算着色器（Compute Shader）的推理版本，在 GTX 1070 上将 1080p 到 4K 的上采样时间缩短至约 8ms。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F6",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},33151,"训练过程中出现 \"RuntimeWarning: overflow encountered in det\" 警告，这会影响结果吗？","当训练图像数量较多（例如超过 400 张）时，可能会遇到此数值溢出警告。根据社区经验，这通常是由于计算行列式时数值过大导致的。目前尚不清楚其对最终滤波器质量的具體影响，但许多用户选择忽略此警告，模型仍能正常完成训练并生成结果。如果可能，尝试使用较小的图像或减少单次处理的图像数量可能有助于缓解。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F11",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},33152,"是否支持多次训练（增量训练）以改进模型，还是会覆盖之前的训练结果？","该项目已更新以支持更灵活的训练配置。虽然早期版本可能存在覆盖问题，但现在的实现允许用户通过重新运行训练流程来整合新数据。为了获得更好的模型，可以将更多图像加入训练集进行重新训练。具体的操作方式请参考最新的 README 文档，其中详细说明了训练和重新训练的流程。","https:\u002F\u002Fgithub.com\u002Fmovehand\u002Fraisr\u002Fissues\u002F12",[]]