[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mxgmn--TextureSynthesis":3,"tool-mxgmn--TextureSynthesis":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",144730,2,"2026-04-07T23:26:32",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":75,"owner_location":76,"owner_email":75,"owner_twitter":77,"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":89,"env_deps":90,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":121},5351,"mxgmn\u002FTextureSynthesis","TextureSynthesis","Texture synthesis from examples","TextureSynthesis 是一款基于示例的纹理合成开源工具，旨在通过算法从少量样本图像中自动生成无限延伸且自然连贯的新纹理。它主要解决了传统设计中重复贴图导致的生硬感问题，能够高效创造出视觉上无缝衔接的大面积纹理图案，广泛应用于游戏开发、影视特效及数字艺术创作等领域。\n\n该工具内置了三种核心算法以适应不同需求：包括经典的全邻域搜索算法，适合基础合成；K-相干邻域搜索算法，通过将计算负担转移至分析阶段，特别擅长处理超大尺寸纹理的快速生成；以及 P. F. Harrison 提出的重合成算法，具备尺度不变性、运行速度快且支持约束条件，能稳定输出高质量结果而极少失败。\n\nTextureSynthesis 采用 .NET Core 构建，仅依赖标准库，可轻松在 Windows、Linux 和 macOS 上通过命令行运行。由于其专注于底层算法实现且以控制台应用形式提供，它更适合具备一定技术背景的开发者、计算机图形学研究人员以及需要定制化纹理生成流程的技术型设计师使用。对于希望深入理解纹理合成原理或将其集成到自有管线中的用户而言，这是一个轻量而强大的参考实现。","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_c6012379a636.png\">\u003C\u002Fp>\n\nThe algorithms are:\n\n1. Full neighbourhood search algorithm of [Scott Draves](http:\u002F\u002Fdraves.org\u002Ffuse) and [Alexei Efros + Thomas Leung](https:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fpapers\u002Fefros-iccv99.pdf) and [Li-Yi Wei + Marc Levoy](https:\u002F\u002Fgraphics.stanford.edu\u002Fpapers\u002Ftexture-synthesis-sig00\u002Ftexture.pdf) is probably the simplest texture synthesis algorithm imaginable.\n2. K-coherent neighbourhood search of [Michael Ashikhmin](http:\u002F\u002Fwww.cs.princeton.edu\u002Fcourses\u002Farchive\u002Ffall10\u002Fcos526\u002Fpapers\u002Fashikhmin01a.pdf) and [Xin Tong + Jingdan Zhangz + Ligang Liu + Xi Wangz + Baining Guo + Heung-Yeung Shum](http:\u002F\u002Fresearch.microsoft.com\u002Fpubs\u002F65191\u002Fbtfsynthesis.pdf)  takes computational burden from the synthesis to the analysis part and therefore is better suited for synthesizing large textures.\n3. Resynthesis algorithm of [P. F. Harrison](http:\u002F\u002Flogarithmic.net\u002Fpfh-files\u002Fthesis\u002Fdissertation.pdf) is  scale-invariant, fast, supports constraints and practically never produces completely unsatisfactory results.\n\nNote that my implementations are not completely true to the original papers.\n\nWatch a video demonstration of P. F. Harrison's algorithm on YouTube: [https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=8sUMBMpZNzk](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=8sUMBMpZNzk).\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_20bddb89a49b.gif\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_022c50dde7dc.png\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_0e6f29bb2b15.png\">\u003C\u002Fp>\n\n## How to build\nThis is a console application that depends only on the standard library. Get [.NET Core](https:\u002F\u002Fdotnet.microsoft.com\u002Fdownload) for Windows, Linux or macOS and run\n```\ndotnet run --configuration Release TextureSynthesis.csproj\n```\n","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_c6012379a636.png\">\u003C\u002Fp>\n\n这些算法包括：\n\n1. [斯科特·德雷夫斯](http:\u002F\u002Fdraves.org\u002Ffuse)、[阿列克谢·埃弗罗斯 + 托马斯·梁](https:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fpapers\u002Fefros-iccv99.pdf) 以及 [李毅伟 + 马克·莱沃伊](https:\u002F\u002Fgraphics.stanford.edu\u002Fpapers\u002Ftexture-synthesis-sig00\u002Ftexture.pdf) 提出的全邻域搜索算法，可能是你能想到的最简单的纹理合成算法。\n2. [迈克尔·阿希赫明](http:\u002F\u002Fwww.cs.princeton.edu\u002Fcourses\u002Farchive\u002Ffall10\u002Fcos526\u002Fpapers\u002Fashikhmin01a.pdf) 和 [辛彤 + 张静丹 + 刘利刚 + 王曦 + 郭百宁 + 舒弘勇](http:\u002F\u002Fresearch.microsoft.com\u002Fpubs\u002F65191\u002Fbtfsynthesis.pdf) 提出的K-连贯邻域搜索算法，将计算负担从合成阶段转移到分析阶段，因此更适合用于合成大型纹理。\n3. [P. F. 哈里森](http:\u002F\u002Flogarithmic.net\u002Fpfh-files\u002Fthesis\u002Fdissertation.pdf) 的重合成算法具有尺度不变性，速度快，支持约束条件，并且几乎不会产生完全不理想的结果。\n\n请注意，我的实现并不完全忠实于原始论文。\n\n请在YouTube上观看P. F. 哈里森算法的视频演示：[https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=8sUMBMpZNzk](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=8sUMBMpZNzk)。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_20bddb89a49b.gif\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_022c50dde7dc.png\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_readme_0e6f29bb2b15.png\">\u003C\u002Fp>\n\n## 构建方法\n这是一个仅依赖标准库的控制台应用程序。请为Windows、Linux或macOS获取 [.NET Core](https:\u002F\u002Fdotnet.microsoft.com\u002Fdownload)，然后运行以下命令：\n```\ndotnet run --configuration Release TextureSynthesis.csproj\n```","# TextureSynthesis 快速上手指南\n\nTextureSynthesis 是一个基于 .NET Core 的命令行纹理合成工具，实现了多种经典的图像纹理生成算法（包括全邻域搜索、K-相干邻域搜索及重合成算法），适用于游戏开发、图形学研究及素材生成。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows、Linux 或 macOS。\n*   **核心依赖**：必须安装 **.NET Core SDK** (或 .NET 5\u002F6\u002F7\u002F8)。\n    *   **国内加速推荐**：由于官方下载源在某些地区访问较慢，建议通过清华大学开源软件镜像站或微软中国官方渠道下载：\n        *   [清华大学 .NET 镜像](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fdotnet\u002F)\n        *   [微软 .NET 下载中心 (中国)](https:\u002F\u002Fdotnet.microsoft.com\u002Fzh-cn\u002Fdownload)\n*   **验证安装**：在终端输入 `dotnet --version`，若显示版本号则说明安装成功。\n\n## 安装步骤\n\n本项目无需传统的“安装”过程，它是一个纯代码实现的控制台应用。您只需克隆源码并直接使用 `dotnet` 命令运行即可。\n\n1.  **获取源码**\n    将项目代码克隆到本地目录：\n    ```bash\n    git clone \u003C项目仓库地址>\n    cd TextureSynthesis\n    ```\n    *(注：请将 `\u003C项目仓库地址>` 替换为实际的 Git 仓库链接)*\n\n2.  **构建与运行**\n    该项目仅依赖标准库，无需额外配置 NuGet 包。直接使用以下命令以 Release 模式构建并运行：\n    ```bash\n    dotnet run --configuration Release TextureSynthesis.csproj\n    ```\n\n## 基本使用\n\n运行上述命令后，程序将启动控制台交互界面。根据原作者的实现逻辑（参考 P. F. Harrison 的重合成算法等），通常的使用流程如下：\n\n1.  **启动程序**：执行构建命令后，程序会等待用户输入。\n2.  **加载样本**：按照控制台提示，提供一张作为输入的样本纹理图片（Sample Image）。\n3.  **设置参数**：根据需要调整合成尺寸或算法参数（如邻域大小、迭代次数等，具体取决于控制台输出的交互选项）。\n4.  **生成结果**：程序将执行算法并输出合成的新纹理图像。\n\n> **提示**：由于这是一个命令行工具，具体的输入文件路径和参数格式请以运行时的控制台提示为准。您可以参考项目根目录下的示例图片（如 `images\u002Fultima.png` 或 `images\u002Fswords.png`）作为初始测试素材。","一位独立游戏开发者正在为一款复古像素风格的角色扮演游戏制作无缝拼接的地面纹理，但手头只有一张极小且带有明显接缝的草图素材。\n\n### 没有 TextureSynthesis 时\n- 美术人员必须手动在 Photoshop 中反复复制、错位和修饰像素，耗时数小时才能勉强消除可见的拼接痕迹。\n- 若需要不同尺寸的地块（如从 64x64 扩展到 512x512），直接拉伸会导致画面严重模糊，失去像素艺术的锐利质感。\n- 尝试修改局部细节（如增加草丛密度）时，往往破坏整体风格的统一性，导致需要推倒重来。\n- 缺乏算法支持，无法快速生成多种变体供策划团队挑选，严重拖慢关卡设计迭代速度。\n\n### 使用 TextureSynthesis 后\n- 利用其全邻域搜索或 K-相干邻域搜索算法，仅需几秒即可基于小样张自动生成无限大且完全无缝的高清纹理。\n- 借助 P. F. Harrison 的重合成算法，可在保持像素清晰度的前提下自由调整输出分辨率，实现真正的尺度不变性。\n- 支持约束条件输入，开发者可指定特定区域保留原貌或强制加入新元素，同时确保周围纹理自然过渡不突兀。\n- 通过命令行快速批量生成数十种风格一致但细节各异的纹理变体，极大丰富了场景视觉层次并加速决策流程。\n\nTextureSynthesis 将原本繁琐的手工修图工作转化为高效的自动化流程，让开发者能专注于创意而非重复劳动。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_TextureSynthesis_c6012379.png","mxgmn","Maxim Gumin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmxgmn_b05630cd.jpg",null,"Helsinki","ExUtumno","https:\u002F\u002Fgithub.com\u002Fmxgmn",[80],{"name":81,"color":82,"percentage":83},"C#","#178600",100,986,54,"2026-04-02T13:43:15","NOASSERTION","Windows, Linux, macOS","未说明",{"notes":91,"python":92,"dependencies":93},"这是一个仅依赖标准库的控制台应用程序，无需安装额外的第三方库。需先安装 .NET Core 环境，使用 'dotnet run --configuration Release TextureSynthesis.csproj' 命令运行。算法实现并非完全忠实于原始论文。","不需要 (基于 .NET Core)",[94],".NET Core SDK",[14],[97,98,99,100,101,102],"texture-synthesis","procedural-generation","machine-learning","gamedev","algorithm","csharp","2026-03-27T02:49:30.150509","2026-04-08T12:10:35.702919",[106,111,116],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},24277,"samples.xml 文件中的各个参数（如 N, K, indexed）代表什么含义？","各参数含义如下：\n1. N：纹理合成中的邻域窗口大小（参考 Efros 和 Leung 的论文）。\n2. K：相干性候选点的数量（参考 Tong 等人的论文）。\n3. indexed：关于颜色的度量标准。如果为 false，度量基于 RGB 分量；如果为 true，则使用二元度量（即颜色相同或不同）。","https:\u002F\u002Fgithub.com\u002Fmxgmn\u002FTextureSynthesis\u002Fissues\u002F5",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},24278,"运行程序时出现\"Parameter is not valid\"错误且指向 Bitmap 构造函数，该如何解决？","该错误通常发生在尝试加载自定义图片瓦片（tiles）时。原因可能是图片路径不正确、文件格式不受支持或文件已损坏。请检查以下几点：\n1. 确保替换到 Samples 文件夹的图片格式正确（如 PNG 或 JPG）且未损坏。\n2. 确认代码中读取图片的路径与实际文件路径完全匹配。\n3. 如果替换后即使换回原图仍报错，可能是构建缓存问题，尝试清理项目并重新编译。","https:\u002F\u002Fgithub.com\u002Fmxgmn\u002FTextureSynthesis\u002Fissues\u002F4",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},24279,"在 .NET Framework 环境下运行时遇到数字格式异常（Wrong number format），如何解决？","这是由于区域设置导致小数点解析问题（例如某些语言环境使用逗号而非点作为小数点）。解决方案是修改 XML 配置文件：将所有温度值（temperature values）从浮点数格式（如 1.0）改为整数格式（如 1）。此外，建议检查并修改源码中的 Stuff.Get 函数以增强对数字格式的兼容性。","https:\u002F\u002Fgithub.com\u002Fmxgmn\u002FTextureSynthesis\u002Fissues\u002F1",[122],{"id":123,"version":124,"summary_zh":75,"released_at":125},149375,"017.1","2017-12-16T21:13:05"]