[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-msracver--Deep-Exemplar-based-Colorization":3,"tool-msracver--Deep-Exemplar-based-Colorization":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",158594,2,"2026-04-16T23:34:05",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":117},8183,"msracver\u002FDeep-Exemplar-based-Colorization","Deep-Exemplar-based-Colorization","The source code of \"Deep Exemplar-based Colorization\".","Deep-Exemplar-based-Colorization 是一款基于深度学习的图像自动上色工具，源自微软研究院发表在 SIGGRAPH 2018 上的学术论文。它主要解决传统黑白照片修复中色彩单一或缺乏语义准确性的难题，能够根据用户提供的参考彩色图片，将目标灰度图像转化为自然、逼真的彩色版本。\n\n与仅依赖算法猜测颜色的方法不同，该工具的核心亮点在于其“基于范例”的机制。它内部包含两个协同工作的子网络：首先通过“相似度子网”分析参考图与目标图之间的语义关联，精准匹配对应区域；随后由“上色子网”提取并迁移参考图中的色彩信息，确保生成结果在结构和色调上高度协调。此外，项目还开源了配套的灰度图像检索代码，可辅助用户自动寻找合适的参考图。\n\n由于该项目提供了完整的源代码实现（涵盖 C++\u002FCUDA 与 PyTorch），且环境配置涉及 Caffe 编译、GPU 加速及复杂的依赖库安装，因此它最适合具备一定编程基础的 AI 研究人员、计算机视觉开发者或希望复现前沿算法的技术爱好者使用。对于普通用户而言，直接使用其生成的演示效果或等待集成该算法的成熟应用可能是更便捷的选择。","# Deep Exemplar-based Colorization\n\nThis is the implementation of paper [**Deep Exemplar-based Colorization**](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.06587) by Mingming He*, [Dongdong Chen*](http:\u002F\u002Fwww.dongdongchen.bid\u002F),\n[Jing Liao](https:\u002F\u002Fliaojing.github.io\u002Fhtml\u002Findex.html), [Pedro V. Sander](http:\u002F\u002Fwww.cse.ust.hk\u002F~psander\u002F) and \n[Lu Yuan](http:\u002F\u002Fwww.lyuan.org\u002F) in ACM Transactions on Graphics (SIGGRAPH 2018) (*indicates equal contribution).\n\n\n## Introduction\n\n**Deep Exemplar-based Colorization** is the first deep learning approach for exemplar-based local colorization. \nGiven a reference color image, our convolutional neural network directly maps a grayscale image to an output colorized image.\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmsracver_Deep-Exemplar-based-Colorization_readme_847c41832bd8.jpg)\n\nThe proposed network consists of two sub-networks, **Similarity Sub-net** which computes the semantic similarities between \nthe reference and the target, and **Colorization Sub-net** which selects, propagates and predicts the chrominances channels of the target.\n\nThe input includes a grayscale target image, a color reference image and bidirectional mapping functions. We use [*Deep Image Analogy*](https:\u002F\u002Fgithub.com\u002Fmsracver\u002FDeep-Image-Analogy) as default to generate bidirectional mapping functions. It is applicable to replace with other dense correspondence estimation algorithms.\n\nThe code of the part **Color Reference Recommendation** is now released. Please refere to [Gray-Image-Retrieval](https:\u002F\u002Fgithub.com\u002Fhmmlillian\u002FGray-Image-Retrieval) for more details.\n\nFor more results, please refer to our [Supplementary](http:\u002F\u002Fwww.dongdongchen.bid\u002Fsupp\u002Fdeep_exam_colorization\u002Findex.html).\n\n(Update) If you would to compile on Linux, please try this repository: https:\u002F\u002Fgithub.com\u002Fncianeo\u002FDeep-Exemplar-based-Colorization\u002Ftree\u002Flinux-docker-cv-caffe-build, thank [ncianeo](https:\u002F\u002Fgithub.com\u002Fncianeo) for solving this [issue](https:\u002F\u002Fgithub.com\u002Fmsracver\u002FDeep-Exemplar-based-Colorization\u002Fissues\u002F8).\n\n\n## License\n\n© Microsoft, 2017. Licensed under a MIT license.\n\n\n## Getting Started\n\n### Prerequisites\n- **Similarity Sub-net**: \n  - Windows (64bit)\n  - NVIDIA GPU (CUDA 8.0 & CuDNN 5)\n  - Visual Studio 2013\n\n- **Colorization Sub-net**:\n  - Pytorch & the 3rd party Python libraries (OpenCV, scikit-learn and scikit-image)\n\n### Build\n**Similarity Sub-net** is implemented in C++ combined with CUDA and requires compiling in Visual Studio as follows:\n- Build [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002F) at first. Just follow the tutorial [here](https:\u002F\u002Fgithub.com\u002FMicrosoft\u002Fcaffe).\n- Edit ```similarity_combo.vcxproj``` under ```similarity_subnet\\windows\\similarity_combo\\``` to make the CUDA version in it match yours.\n- Open solution ```Caffe``` and add ```similarity_combo.vcxproj```.\n- Build project ```similarity_combo```.\n- (Optional) If you use *Deep Image Analogy*, please add ```deep_image_analogy.vcxproj``` under ```similarity_subnet\\windows\\deep_image_analogy\\``` and build it.\n\n### Download Models\nYou need to download models before running a demo.\n- Go to ```demo\\models\\similarity_subnet\\vgg_19_gray_bn\\``` folder and download:  \n  https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fliz78q1lf9bc57s\u002Fvgg19_bn_gray_ft_iter_150000.caffemodel?dl=0\n- Go to ```demo\\models\\colorization_subnet\\``` folder and download: \n  https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Frg6qi5iz3sj7cnc\u002Fexample_net.pth?dl=0\n- (Optional) If you use *Deep Image Analogy*, please go to ```demo\\models\\deep_image_analogy\\vgg19\\``` folder and download:  \n  http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fsoftware\u002Fvery_deep\u002Fcaffe\u002FVGG_ILSVRC_19_layers.caffemodel\n\n### Demo\nWe prepare an example under the folder ```demo\\``` with:\n\n(1) Input data folder ```example\\``` including two parts:\n- A folder ```input\\``` with the input images (grayscale target images and color reference images) inside.\n- A file ```pairs.txt``` to specify a target, a reference and a flag (1 as default) as an example in each line, e.g., \n  ```\n  in1.jpg ref1.jpg 1\n  in2.jpg ref2.jpg 1\n  ...\n  ```\n\n(2) Executable script ```run.bat``` including three commands:\n- (Optional) A command to generate bidirectional mapping functions using *Deep Image Analogy*:\n  ```\n  deep_image_analogy.exe [MODEL_DIR] [INPUT_ROOT_DIR] [START_LINE_ID] [END_LINE_ID] [GPU_ID]\n  e.g., exe\\deep_image_analogy.exe models\\deep_image_analogy\\ example\\ 0 2 0\n  ```  \n  (Note if you use other algorithms for bidirectional mapping functions, please generate flow files referring to the format of those by *Deep Image Analogy* and put them to the folder ```example\\flow\\```.)\n\n- A command to generate similarity maps for colorization (**Similarity Subnet**):\n  ```\n  similarity_combo.exe [MODEL_DIR] [INPUT_ROOT_DIR] [START_LINE_ID] [END_LINE_ID] [GPU_ID]\n  e.g., exe\\similarity_combo.exe models\\similarity_subnet\\ example\\ 0 2 0\n  ```\n\n- A command to do colorization with our pretrained model (**Colorization Subnet**):\n  ```\n  python test.py --short_size [SHORT_EDGE_SIZE] --test_model [MODEL_FILE] --data_root [INPUT_ROOT_DIR] --out_dir [OUTPUT_DIR] --gpu_id [GPU_ID]\n  e.g., python ..\\colorization_subnet\\test.py --short_size 256 --test_model models\\colorization_subnet\\example_net.pth --data_root example\\ --out_dir example\\res\\ --gpu_id 0\n  ```\n\n### Run\nWe provide pre-built executable files in folder ```demo\\exe\\```, please try them.\n\n### Tips\nOur test input images are resized to w x h (min(w, h)=256) considering the cost of computing bidirectional mapping functions by *Deep Image Analogy*. But we also support higher resolution input images.\n\n\n## Citation\nIf you find **Deep Exemplar-based Colorization** helpful for your research, please consider citing:\n```\n@article{he2018deep,\n  title={Deep exemplar-based colorization},\n  author={He, Mingming and Chen, Dongdong and Liao, Jing and Sander, Pedro V and Yuan, Lu},\n  journal={ACM Transactions on Graphics (TOG)},\n  volume={37},\n  number={4},\n  pages={47},\n  year={2018},\n  publisher={ACM}\n}\n```\n","# 深度示例驱动的彩色化\n\n这是由何明明*、陈东东*（[Dongdong Chen](http:\u002F\u002Fwww.dongdongchen.bid\u002F)）、廖静（[Jing Liao](https:\u002F\u002Fliaojing.github.io\u002Fhtml\u002Findex.html)）、佩德罗·V·桑德（[Pedro V. Sander](http:\u002F\u002Fwww.cse.ust.hk\u002F~psander\u002F)）和袁璐（[Lu Yuan](http:\u002F\u002Fwww.lyuan.org\u002F)）在ACM图形学汇刊（SIGGRAPH 2018）上发表的论文[**深度示例驱动的彩色化**](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.06587)的实现。（*表示共同第一作者）\n\n\n## 简介\n\n**深度示例驱动的彩色化**是首个基于示例的局部彩色化深度学习方法。给定一张参考彩色图像，我们的卷积神经网络可以直接将灰度图像映射为输出的彩色图像。\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmsracver_Deep-Exemplar-based-Colorization_readme_847c41832bd8.jpg)\n\n所提出的网络由两个子网络组成：**相似性子网络**用于计算参考图像与目标图像之间的语义相似性，以及**彩色化子网络**用于选择、传播并预测目标图像的色度通道。\n\n输入包括一张灰度目标图像、一张彩色参考图像以及双向映射函数。我们默认使用[*深度图像类比*](https:\u002F\u002Fgithub.com\u002Fmsracver\u002FDeep-Image-Analogy)来生成双向映射函数，当然也可以替换为其他稠密对应关系估计算法。\n\n目前**颜色参考推荐**部分的代码已公开。更多详情请参阅[Gray-Image-Retrieval](https:\u002F\u002Fgithub.com\u002Fhmmlillian\u002FGray-Image-Retrieval)。\n\n更多结果请参阅我们的[补充材料](http:\u002F\u002Fwww.dongdongchen.bid\u002Fsupp\u002Fdeep_exam_colorization\u002Findex.html)。\n\n（更新）如果您希望在Linux上编译，请尝试此仓库：https:\u002F\u002Fgithub.com\u002Fncianeo\u002FDeep-Exemplar-based-Colorization\u002Ftree\u002Flinux-docker-cv-caffe-build，感谢[ncianeo](https:\u002F\u002Fgithub.com\u002Fncianeo)解决了这个[问题](https:\u002F\u002Fgithub.com\u002Fmsracver\u002FDeep-Exemplar-based-Colorization\u002Fissues\u002F8)。\n\n\n## 许可证\n\n© 微软，2017年。根据MIT许可证授权。\n\n\n## 快速入门\n\n### 前提条件\n- **相似性子网络**：\n  - Windows (64位)\n  - NVIDIA GPU（CUDA 8.0 & CuDNN 5）\n  - Visual Studio 2013\n\n- **彩色化子网络**：\n  - Pytorch及第三方Python库（OpenCV、scikit-learn和scikit-image）\n\n### 构建\n**相似性子网络**采用C++结合CUDA实现，需要在Visual Studio中进行编译，具体步骤如下：\n- 首先构建[Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002F)。请按照此处的教程操作：https:\u002F\u002Fgithub.com\u002FMicrosoft\u002Fcaffe。\n- 编辑```similarity_subnet\\windows\\similarity_combo\\```下的```similarity_combo.vcxproj```文件，确保其中的CUDA版本与您的环境匹配。\n- 打开Caffe解决方案，并添加```similarity_combo.vcxproj```。\n- 构建```similarity_combo```项目。\n- （可选）如果您使用*深度图像类比*，请添加```similarity_subnet\\windows\\deep_image_analogy\\```下的```deep_image_analogy.vcxproj```并进行编译。\n\n### 下载模型\n运行演示前，您需要下载相关模型。\n- 进入```demo\\models\\similarity_subnet\\vgg_19_gray_bn\\```文件夹，下载：\n  https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fliz78q1lf9bc57s\u002Fvgg19_bn_gray_ft_iter_150000.caffemodel?dl=0\n- 进入```demo\\models\\colorization_subnet\\```文件夹，下载：\n  https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Frg6qi5iz3sj7cnc\u002Fexample_net.pth?dl=0\n- （可选）如果您使用*深度图像类比*，请进入```demo\\models\\deep_image_analogy\\vgg19\\```文件夹，下载：\n  http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fsoftware\u002Fvery_deep\u002Fcaffe\u002FVGG_ILSVRC_19_layers.caffemodel\n\n### 演示\n我们在```demo\\```文件夹下准备了一个示例，包含以下内容：\n\n(1) 输入数据文件夹```example\\```分为两部分：\n- 一个```input\\```文件夹，内含输入图像（灰度目标图像和彩色参考图像）。\n- 一个```pairs.txt```文件，每行指定一个目标、一个参考图像及一个标志（默认为1），例如：\n  ```\n  in1.jpg ref1.jpg 1\n  in2.jpg ref2.jpg 1\n  ...\n  ```\n\n(2) 可执行脚本```run.bat```包含三条命令：\n- （可选）使用*深度图像类比*生成双向映射函数的命令：\n  ```\n  deep_image_analogy.exe [MODEL_DIR] [INPUT_ROOT_DIR] [START_LINE_ID] [END_LINE_ID] [GPU_ID]\n  例如：exe\\deep_image_analogy.exe models\\deep_image_analogy\\ example\\ 0 2 0\n  ```\n  （注意：如果您使用其他算法生成双向映射函数，请参照*深度图像类比*的格式生成流场文件，并将其放置在```example\\flow\\```文件夹中。）\n\n- 用于生成彩色化用相似性图的命令（**相似性子网络**）：\n  ```\n  similarity_combo.exe [MODEL_DIR] [INPUT_ROOT_DIR] [START_LINE_ID] [END_LINE_ID] [GPU_ID]\n  例如：exe\\similarity_combo.exe models\\similarity_subnet\\ example\\ 0 2 0\n  ```\n\n- 使用预训练模型进行彩色化的命令（**彩色化子网络**）：\n  ```\n  python test.py --short_size [SHORT_EDGE_SIZE] --test_model [MODEL_FILE] --data_root [INPUT_ROOT_DIR] --out_dir [OUTPUT_DIR] --gpu_id [GPU_ID]\n  例如：python ..\\colorization_subnet\\test.py --short_size 256 --test_model models\\colorization_subnet\\example_net.pth --data_root example\\ --out_dir example\\res\\ --gpu_id 0\n  ```\n\n### 运行\n我们在```demo\\exe\\```文件夹中提供了预编译好的可执行文件，请直接尝试运行。\n\n### 小贴士\n为了降低*深度图像类比*计算双向映射函数的成本，我们的测试输入图像被调整为w x h尺寸（min(w, h)=256）。不过，我们也支持更高分辨率的输入图像。\n\n\n## 引用\n如果您认为**深度示例驱动的彩色化**对您的研究有所帮助，请考虑引用以下文献：\n```\n@article{he2018deep,\n  title={Deep exemplar-based colorization},\n  author={He, Mingming and Chen, Dongdong and Liao, Jing and Sander, Pedro V and Yuan, Lu},\n  journal={ACM Transactions on Graphics (TOG)},\n  volume={37},\n  number={4},\n  pages={47},\n  year={2018},\n  publisher={ACM}\n}\n```","# Deep-Exemplar-based-Colorization 快速上手指南\n\n**Deep Exemplar-based Colorization** 是一种基于深度学习的示例图像上色方法。给定一张灰度目标图和一张彩色参考图，该工具能利用卷积神经网络直接生成上色后的图像。\n\n## 1. 环境准备\n\n本项目包含两个子网络，分别需要不同的运行环境：\n\n### 系统要求\n- **操作系统**: Windows (64-bit)\n  - *注：Linux 用户可参考非官方 Docker 版本：https:\u002F\u002Fgithub.com\u002Fncianeo\u002FDeep-Exemplar-based-Colorization\u002Ftree\u002Flinux-docker-cv-caffe-build*\n- **硬件**: NVIDIA GPU (支持 CUDA 8.0 & CuDNN 5)\n- **编译器**: Visual Studio 2013 (用于构建 C++ 部分)\n\n### 软件依赖\n- **Similarity Sub-net (相似度子网)**:\n  - Caffe (需自行编译，推荐微软版本：https:\u002F\u002Fgithub.com\u002FMicrosoft\u002Fcaffe)\n  - CUDA 8.0 & CuDNN 5\n- **Colorization Sub-net (上色子网)**:\n  - PyTorch\n  - Python 第三方库：`opencv-python`, `scikit-learn`, `scikit-image`\n\n## 2. 安装步骤\n\n### 第一步：构建 Similarity Sub-net\n该部分由 C++ 和 CUDA 编写，需在 Visual Studio 中编译。\n\n1.  **编译 Caffe**:\n    按照 [Microsoft Caffe 教程](https:\u002F\u002Fgithub.com\u002FMicrosoft\u002Fcaffe) 完成 Caffe 的编译。\n2.  **配置项目**:\n    打开 `similarity_subnet\\windows\\similarity_combo\\similarity_combo.vcxproj`，修改其中的 CUDA 版本号以匹配你本地安装的版本。\n3.  **添加并编译**:\n    - 打开 Caffe 解决方案 (`Caffe.sln`)。\n    - 将 `similarity_combo.vcxproj` 添加到解决方案中。\n    - 编译 `similarity_combo` 项目。\n    - *(可选)* 如果使用默认的 *Deep Image Analogy* 生成映射函数，请同样添加并编译 `similarity_subnet\\windows\\deep_image_analogy\\deep_image_analogy.vcxproj`。\n\n### 第二步：下载模型文件\n在运行演示前，必须下载预训练模型并放入指定目录：\n\n1.  **相似度子网模型**:\n    下载至 `demo\\models\\similarity_subnet\\vgg_19_gray_bn\\`\n    ```text\n    https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fliz78q1lf9bc57s\u002Fvgg19_bn_gray_ft_iter_150000.caffemodel?dl=0\n    ```\n2.  **上色子网模型**:\n    下载至 `demo\\models\\colorization_subnet\\`\n    ```text\n    https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Frg6qi5iz3sj7cnc\u002Fexample_net.pth?dl=0\n    ```\n3.  **(可选) Deep Image Analogy 模型**:\n    若使用默认映射算法，下载至 `demo\\models\\deep_image_analogy\\vgg19\\`\n    ```text\n    http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~vgg\u002Fsoftware\u002Fvery_deep\u002Fcaffe\u002FVGG_ILSVRC_19_layers.caffemodel\n    ```\n\n## 3. 基本使用\n\n### 准备输入数据\n在 `demo\\example\\` 目录下准备数据：\n1.  创建 `input\\` 文件夹，放入灰度目标图（target）和彩色参考图（reference）。\n2.  创建 `pairs.txt` 文件，每行定义一组配对：`目标图 参考图 标志位`。\n    示例内容：\n    ```text\n    in1.jpg ref1.jpg 1\n    in2.jpg ref2.jpg 1\n    ```\n\n### 执行流程\n你可以直接使用 `demo\\exe\\` 下提供的预编译文件，或按顺序执行以下三个步骤：\n\n#### 步骤 1: 生成双向映射函数 (可选)\n如果使用默认的 *Deep Image Analogy* 算法，运行以下命令生成光流文件：\n```bash\ndeep_image_analogy.exe models\\deep_image_analogy\\ example\\ 0 2 0\n```\n*注：若使用其他稠密对应估计算法，请生成符合格式的光流文件并放入 `example\\flow\\` 文件夹，跳过此步。*\n\n#### 步骤 2: 生成相似度图 (Similarity Sub-net)\n计算参考图与目标图之间的语义相似度：\n```bash\nsimilarity_combo.exe models\\similarity_subnet\\ example\\ 0 2 0\n```\n\n#### 步骤 3: 执行上色 (Colorization Sub-net)\n利用预训练模型进行最终上色：\n```bash\npython ..\\colorization_subnet\\test.py --short_size 256 --test_model models\\colorization_subnet\\example_net.pth --data_root example\\ --out_dir example\\res\\ --gpu_id 0\n```\n\n### 输出结果\n上色完成后，结果图片将保存在 `example\\res\\` 目录中。\n\n> **提示**: 默认测试图像会被调整为短边 256 像素以节省计算双向映射函数的时间，但本工具也支持更高分辨率的输入图像。","一位数字档案管理员正在处理一批珍贵的 20 世纪黑白历史照片，希望参考同时期的彩色海报为这些老照片还原真实色彩，以用于博物馆的数字化展览。\n\n### 没有 Deep-Exemplar-based-Colorization 时\n- **色彩风格割裂**：传统全局上色算法无法理解参考图与目标图的语义关联，导致生成的颜色虽然鲜艳，但与参考图中的特定时代色调（如复古红、褪色蓝）完全不符。\n- **局部细节丢失**：手动逐区域填色效率极低，且难以保证光照和纹理的一致性，容易出现颜色溢出到相邻物体或边缘模糊的情况。\n- **缺乏语义感知**：简单的像素映射无法识别“天空”、“草地”或“衣物”等语义内容，常给错误的物体赋予不合理的颜色（如将灰色大衣染成绿色）。\n- **依赖人工修图**：每张图都需要专业修图师花费数小时进行后期微调，项目周期被无限拉长，难以规模化处理档案库。\n\n### 使用 Deep-Exemplar-based-Colorization 后\n- **精准风格迁移**：利用相似度子网（Similarity Sub-net）深度计算语义匹配，能准确提取参考图中的特定色谱并应用到目标图的对应区域，完美复现历史色调。\n- **智能局部传播**：着色子网（Colorization Sub-net）自动在语义一致的区域内传播颜色，既保留了原始黑白照片的纹理细节，又确保了色彩边界的清晰自然。\n- **语义驱动上色**：模型能理解图像内容，确保“天空”只参考参考图中的天空颜色，“植被”只匹配植被色彩，彻底杜绝了张冠李戴的逻辑错误。\n- **批量自动化处理**：只需准备一张代表性彩色参考图，即可通过脚本批量完成数百张照片的高质量上色，将原本数周的工作量缩短至几小时。\n\nDeep-Exemplar-based-Colorization 通过深度学习实现了基于语义理解的局部色彩迁移，让历史影像的色彩还原从“手工猜测”跃升为“智能复刻”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmsracver_Deep-Exemplar-based-Colorization_962c130b.png","msracver","MSRA CVer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmsracver_0ca0c2ce.png","Computer vision fanatics from Microsoft Research Asia",null,"https:\u002F\u002Fgithub.com\u002Fmsracver",[79,83,87],{"name":80,"color":81,"percentage":82},"Python","#3572A5",49,{"name":84,"color":85,"percentage":86},"Cuda","#3A4E3A",39.2,{"name":88,"color":89,"percentage":90},"C++","#f34b7d",11.9,504,75,"2026-04-13T10:50:48","MIT",5,"Windows","必需 NVIDIA GPU，需支持 CUDA 8.0","未说明",{"notes":100,"python":101,"dependencies":102},"1. Similarity 子网需在 Windows 64 位系统下使用 Visual Studio 2013 编译 C++\u002FCUDA 代码。2. Colorization 子网基于 Pytorch。3. 默认使用 Deep Image Analogy 生成双向映射函数（需额外编译），也可替换为其他稠密对应估计算法。4. 官方提供 Linux 编译支持需参考第三方仓库。5. 测试输入图像建议短边调整为 256 像素以降低计算成本，但也支持更高分辨率。","未说明 (需安装 Pytorch 及第三方 Python 库)",[103,104,105,106,107,108],"Caffe (Microsoft 分支)","Pytorch","OpenCV","scikit-learn","scikit-image","Visual Studio 2013",[14],[111,112,113],"deep-learning","exempler-based","colorization","2026-03-27T02:49:30.150509","2026-04-17T08:24:18.950905",[],[]]