[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nihui--realcugan-ncnn-vulkan":3,"tool-nihui--realcugan-ncnn-vulkan":64},[4,18,26,35,44,53],{"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},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。",107888,2,"2026-04-06T11:32:50",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"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",[43,15,13,14],"语言模型",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85013,"2026-04-06T11:09:19",[15,16,52,61,13,62,43,14,63],"插件","其他","音频",{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":76,"owner_location":79,"owner_email":76,"owner_twitter":75,"owner_website":76,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":32,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":110,"github_topics":111,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":121,"updated_at":122,"faqs":123,"releases":154},4707,"nihui\u002Frealcugan-ncnn-vulkan","realcugan-ncnn-vulkan","real-cugan converter ncnn version, runs fast on intel \u002F amd \u002F nvidia \u002F apple-silicon GPU with vulkan","realcugan-ncnn-vulkan 是一款专为动漫图像设计的高效超分辨率放大工具。它基于 Real-CUGAN 算法，能够将低分辨率的二次元图片无损放大并去除噪点，显著提升画面清晰度与细节表现，有效解决了传统放大方法导致的模糊或伪影问题。\n\n该工具最大的亮点在于其卓越的兼容性与便捷性。它利用 Vulkan API 和 ncnn 推理框架，无需安装复杂的 CUDA 或 PyTorch 环境，即可在 Intel、AMD、NVIDIA 显卡以及苹果 Silicon 芯片上流畅运行。软件采用便携式设计，内置了所有必要的模型与二进制文件，下载解压后即可直接使用。\n\n无论是需要批量处理素材的专业设计师、追求画质的动漫爱好者，还是希望快速部署算法的开发者，都能从中受益。普通用户可通过简单的命令行轻松完成图片处理，而开发者则能利用其丰富的参数（如多 GPU 支持、分块处理、线程调整等）进行深度定制与性能调优。作为一款处于早期开发阶段的开源项目，realcugan-ncnn-vulkan 以极低的门槛提供了强大的图像处理能力，是提升动漫视觉体验的实用利器。","# Real-CUGAN ncnn Vulkan\n\n:exclamation: :exclamation: :exclamation: This software is in the early development stage, it may bite your cat\n\n![CI](https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fworkflows\u002FCI\u002Fbadge.svg)\n![download](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fdownloads\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Ftotal.svg)\n\nncnn implementation of Real-CUGAN converter. Runs fast on Intel \u002F AMD \u002F Nvidia \u002F Apple-Silicon with Vulkan API.\n\nrealcugan-ncnn-vulkan uses [ncnn project](https:\u002F\u002Fgithub.com\u002FTencent\u002Fncnn) as the universal neural network inference framework.\n\n## [Download](https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Freleases)\n\nDownload Windows\u002FLinux\u002FMacOS Executable for Intel\u002FAMD\u002FNvidia\u002FApple-Silicon GPU\n\n**https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Freleases**\n\nThis package includes all the binaries and models required. It is portable, so no CUDA or PyTorch runtime environment is needed :)\n\n## About Real-CUGAN\n\nReal-CUGAN (Real Cascade U-Nets for Anime Image Super Resolution)\n\nhttps:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGAN\n\n## Usages\n\n### Example Command\n\n```shell\nrealcugan-ncnn-vulkan.exe -i input.jpg -o output.png\n```\n\n### Full Usages\n\n```console\nUsage: realcugan-ncnn-vulkan -i infile -o outfile [options]...\n\n  -h                   show this help\n  -v                   verbose output\n  -i input-path        input image path (jpg\u002Fpng\u002Fwebp) or directory\n  -o output-path       output image path (jpg\u002Fpng\u002Fwebp) or directory\n  -n noise-level       denoise level (-1\u002F0\u002F1\u002F2\u002F3, default=-1)\n  -s scale             upscale ratio (1\u002F2\u002F3\u002F4, default=2)\n  -t tile-size         tile size (>=32\u002F0=auto, default=0) can be 0,0,0 for multi-gpu\n  -c syncgap-mode      sync gap mode (0\u002F1\u002F2\u002F3, default=3)\n  -m model-path        realcugan model path (default=models-se)\n  -g gpu-id            gpu device to use (-1=cpu, default=auto) can be 0,1,2 for multi-gpu\n  -j load:proc:save    thread count for load\u002Fproc\u002Fsave (default=1:2:2) can be 1:2,2,2:2 for multi-gpu\n  -x                   enable tta mode\n  -f format            output image format (jpg\u002Fpng\u002Fwebp, default=ext\u002Fpng)\n```\n\n- `input-path` and `output-path` accept either file path or directory path\n- `noise-level` = noise level, large value means strong denoise effect, -1 = no effect\n- `scale` = scale level, 1 = no scaling, 2 = upscale 2x\n- `tile-size` = tile size, use smaller value to reduce GPU memory usage, default selects automatically\n- `syncgap-mode` = sync gap mode, 0 = no sync, 1 = accurate sync, 2 = rough sync, 3 = very rough sync\n- `load:proc:save` = thread count for the three stages (image decoding + realcugan upscaling + image encoding), using larger values may increase GPU usage and consume more GPU memory. You can tune this configuration with \"4:4:4\" for many small-size images, and \"2:2:2\" for large-size images. The default setting usually works fine for most situations. If you find that your GPU is hungry, try increasing thread count to achieve faster processing.\n- `format` = the format of the image to be output, png is better supported, however webp generally yields smaller file sizes, both are losslessly encoded\n\nIf you encounter a crash or error, try upgrading your GPU driver:\n\n- Intel: https:\u002F\u002Fdownloadcenter.intel.com\u002Fproduct\u002F80939\u002FGraphics-Drivers\n- AMD: https:\u002F\u002Fwww.amd.com\u002Fen\u002Fsupport\n- NVIDIA: https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx\n\n## Build from Source\n\n1. Download and setup the Vulkan SDK from https:\u002F\u002Fvulkan.lunarg.com\u002F\n  - For Linux distributions, you can either get the essential build requirements from package manager\n```shell\ndnf install vulkan-headers vulkan-loader-devel\n```\n```shell\napt-get install libvulkan-dev\n```\n```shell\npacman -S vulkan-headers vulkan-icd-loader\n```\n\n2. Clone this project with all submodules\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan.git\ncd realcugan-ncnn-vulkan\ngit submodule update --init --recursive\n```\n\n3. Build with CMake\n  - You can pass -DUSE_STATIC_MOLTENVK=ON option to avoid linking the vulkan loader library on MacOS\n\n```shell\nmkdir build\ncd build\ncmake ..\u002Fsrc\ncmake --build . -j 4\n```\n\n## Sample Images\n\n### Original Image\n\n![origin](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_06a8675f51b8.jpg)\n\n### Upscale 2x with ImageMagick\n\n```shell\nconvert origin.jpg -resize 200% output.png\n```\n\n![browser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_b7507a7868da.png)\n\n### Upscale 2x with ImageMagick Lanczo4 Filter\n\n```shell\nconvert origin.jpg -filter Lanczos -resize 200% output.png\n```\n\n![browser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_733f741dbe72.png)\n\n### Upscale 2x with Real-CUGAN\n\n```shell\nrealcugan-ncnn-vulkan.exe -i origin.jpg -o output.png -s 2 -n 1 -x\n```\n\n![realcugan](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_5f64d8c60a65.png)\n\n## Original Real-CUGAN Project\n\n- https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGAN\n\n## Other Open-Source Code Used\n\n- https:\u002F\u002Fgithub.com\u002FTencent\u002Fncnn for fast neural network inference on ALL PLATFORMS\n- https:\u002F\u002Fgithub.com\u002Fwebmproject\u002Flibwebp for encoding and decoding Webp images on ALL PLATFORMS\n- https:\u002F\u002Fgithub.com\u002Fnothings\u002Fstb for decoding and encoding image on Linux \u002F MacOS\n- https:\u002F\u002Fgithub.com\u002Ftronkko\u002Fdirent for listing files in directory on Windows\n","# Real-CUGAN ncnn Vulkan\n\n:exclamation: :exclamation: :exclamation: 本软件尚处于早期开发阶段，可能会“咬”你的猫哦！\n\n![CI](https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fworkflows\u002FCI\u002Fbadge.svg)\n![download](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fdownloads\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Ftotal.svg)\n\nReal-CUGAN 转换器的 ncnn 实现。在 Intel \u002F AMD \u002F Nvidia \u002F Apple-Silicon 上，通过 Vulkan API 运行速度极快。\n\nrealcugan-ncnn-vulkan 使用 [ncnn 项目](https:\u002F\u002Fgithub.com\u002FTencent\u002Fncnn) 作为通用的神经网络推理框架。\n\n## [下载](https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Freleases)\n\n下载适用于 Intel\u002FAMD\u002FNvidia\u002FApple-Silicon GPU 的 Windows\u002FLinux\u002FMacOS 可执行文件\n\n**https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Freleases**\n\n该包包含所有必要的二进制文件和模型。它具有可移植性，因此无需 CUDA 或 PyTorch 运行时环境 :)\n\n## 关于 Real-CUGAN\n\nReal-CUGAN（用于动漫图像超分辨率的真实级级联 U-Net）\n\nhttps:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGAN\n\n## 使用方法\n\n### 示例命令\n\n```shell\nrealcugan-ncnn-vulkan.exe -i input.jpg -o output.png\n```\n\n### 完整用法\n\n```console\n用法：realcugan-ncnn-vulkan -i infile -o outfile [选项]...\n\n  -h                   显示此帮助信息\n  -v                   详细输出\n  -i input-path        输入图像路径（jpg\u002Fpng\u002Fwebp）或目录\n  -o output-path       输出图像路径（jpg\u002Fpng\u002Fwebp）或目录\n  -n noise-level       去噪级别（-1\u002F0\u002F1\u002F2\u002F3，默认=-1）\n  -s scale             放大倍数（1\u002F2\u002F3\u002F4，默认=2）\n  -t tile-size         图块大小（>=32\u002F0=自动，默认=0），多 GPU 时可设为 0,0,0\n  -c syncgap-mode      同步间隙模式（0\u002F1\u002F2\u002F3，默认=3）\n  -m model-path        realcugan 模型路径（默认=models-se）\n  -g gpu-id            使用的 GPU 设备（-1=CPU，默认=自动），多 GPU 时可设为 0,1,2\n  -j load:proc:save    加载\u002F处理\u002F保存的线程数（默认=1:2:2），多 GPU 时可设为 1:2,2,2:2\n  -x                   启用 TTA 模式\n  -f format            输出图像格式（jpg\u002Fpng\u002Fwebp，默认=扩展名\u002Fpng）\n```\n\n- `input-path` 和 `output-path` 既可以是文件路径，也可以是目录路径。\n- `noise-level` 表示去噪级别，数值越大去噪效果越强，-1 表示不进行去噪。\n- `scale` 表示放大倍数，1 表示不缩放，2 表示放大 2 倍。\n- `tile-size` 表示图块大小，较小的值可以减少 GPU 内存占用，默认会自动选择。\n- `syncgap-mode` 表示同步间隙模式，0 表示无同步，1 表示精确同步，2 表示粗略同步，3 表示非常粗略的同步。\n- `load:proc:save` 表示三个阶段（图像解码 + realcugan 超分辨率 + 图像编码）的线程数，使用较大的值可能会增加 GPU 使用率并消耗更多 GPU 内存。对于许多小尺寸图像，可以尝试设置为“4:4:4”；而对于大尺寸图像，则可以设置为“2:2:2”。默认设置通常适用于大多数情况。如果发现 GPU 资源紧张，可以适当增加线程数以提高处理速度。\n- `format` 表示输出图像的格式，PNG 格式支持更好，但 WebP 通常能生成更小的文件，两者均为无损编码。\n\n如果遇到崩溃或错误，请尝试更新您的 GPU 驱动程序：\n\n- Intel：https:\u002F\u002Fdownloadcenter.intel.com\u002Fproduct\u002F80939\u002FGraphics-Drivers\n- AMD：https:\u002F\u002Fwww.amd.com\u002Fen\u002Fsupport\n- NVIDIA：https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx\n\n## 从源代码构建\n\n1. 从 https:\u002F\u002Fvulkan.lunarg.com\u002F 下载并安装 Vulkan SDK。\n   - 对于 Linux 发行版，您可以通过包管理器获取必要的构建依赖：\n```shell\ndnf install vulkan-headers vulkan-loader-devel\n```\n```shell\napt-get install libvulkan-dev\n```\n```shell\npacman -S vulkan-headers vulkan-icd-loader\n```\n\n2. 克隆本项目及其所有子模块：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan.git\ncd realcugan-ncnn-vulkan\ngit submodule update --init --recursive\n```\n\n3. 使用 CMake 构建：\n   - 在 macOS 上，您可以传递 `-DUSE_STATIC_MOLTENVK=ON` 选项来避免链接 Vulkan 加载器库。\n\n```shell\nmkdir build\ncd build\ncmake ..\u002Fsrc\ncmake --build . -j 4\n```\n\n## 示例图片\n\n### 原始图像\n\n![origin](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_06a8675f51b8.jpg)\n\n### 使用 ImageMagick 放大 2 倍\n\n```shell\nconvert origin.jpg -resize 200% output.png\n```\n\n![browser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_b7507a7868da.png)\n\n### 使用 ImageMagick Lanczos4 滤波器放大 2 倍\n\n```shell\nconvert origin.jpg -filter Lanczos -resize 200% output.png\n```\n\n![browser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_733f741dbe72.png)\n\n### 使用 Real-CUGAN 放大 2 倍\n\n```shell\nrealcugan-ncnn-vulkan.exe -i origin.jpg -o output.png -s 2 -n 1 -x\n```\n\n![realcugan](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_readme_5f64d8c60a65.png)\n\n## 原始 Real-CUGAN 项目\n\n- https:\u002F\u002Fgithub.com\u002Fbilibili\u002Failab\u002Ftree\u002Fmain\u002FReal-CUGAN\n\n## 其他使用的开源代码\n\n- https:\u002F\u002Fgithub.com\u002FTencent\u002Fncnn，用于在所有平台上实现快速的神经网络推理。\n- https:\u002F\u002Fgithub.com\u002Fwebmproject\u002Flibwebp，用于在所有平台上编解码 WebP 图像。\n- https:\u002F\u002Fgithub.com\u002Fnothings\u002Fstb，用于在 Linux \u002F MacOS 上解码和编码图像。\n- https:\u002F\u002Fgithub.com\u002Ftronkko\u002Fdirent，用于在 Windows 上列出目录中的文件。","# Real-CUGAN ncnn-vulkan 快速上手指南\n\nReal-CUGAN 是一个专为动漫图像设计的超分辨率工具，基于 ncnn 框架和 Vulkan API 实现。它支持 Intel、AMD、Nvidia 及 Apple Silicon 显卡，无需安装 CUDA 或 PyTorch 环境即可运行，具有便携、高效的特点。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Windows \u002F Linux \u002F macOS\n- **硬件要求**：支持 Vulkan API 的 GPU（Intel \u002F AMD \u002F Nvidia \u002F Apple Silicon）。若使用 CPU 模式，需指定 `-g -1` 参数。\n- **驱动要求**：请确保显卡驱动为最新版本，以避免崩溃或错误。\n  - Intel: [下载中心](https:\u002F\u002Fdownloadcenter.intel.com\u002Fproduct\u002F80939\u002FGraphics-Drivers)\n  - AMD: [支持页面](https:\u002F\u002Fwww.amd.com\u002Fen\u002Fsupport)\n  - NVIDIA: [驱动下载](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)\n\n### 前置依赖\n- **预编译版本**：无额外依赖，下载即用。\n- **源码编译版本**（仅当需要自行构建时）：\n  - 需安装 Vulkan SDK。\n  - **Linux 用户**可通过包管理器安装开发库：\n    ```bash\n    # Fedora\u002FCentOS\n    dnf install vulkan-headers vulkan-loader-devel\n    \n    # Ubuntu\u002FDebian\n    apt-get install libvulkan-dev\n    \n    # Arch Linux\n    pacman -S vulkan-headers vulkan-icd-loader\n    ```\n\n## 安装步骤\n\n推荐直接下载官方发布的预编译二进制文件，包含所有必要的模型和组件。\n\n1. **下载安装包**\n   访问 GitHub Releases 页面下载对应系统的可执行文件：\n   > https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Freleases\n\n2. **解压文件**\n   将下载的压缩包解压到任意目录。\n\n   *(可选) 源码编译步骤：*\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan.git\n   cd realcugan-ncnn-vulkan\n   git submodule update --init --recursive\n   \n   mkdir build\n   cd build\n   cmake ..\u002Fsrc\n   cmake --build . -j 4\n   ```\n\n## 基本使用\n\n### 最简单示例\n将当前目录下的 `input.jpg` 放大 2 倍并保存为 `output.png`（使用默认去噪和模型）：\n\n```shell\nrealcugan-ncnn-vulkan.exe -i input.jpg -o output.png\n```\n\n*(注：Linux\u002FmacOS 用户请将 `.exe` 后缀去掉，或直接运行 `.\u002Frealcugan-ncnn-vulkan`)*\n\n### 常用参数说明\n- `-n`: 去噪强度 (-1\u002F0\u002F1\u002F2\u002F3)，-1 表示不去噪，数值越大去噪越强。\n- `-s`: 放大倍数 (1\u002F2\u002F3\u002F4)，默认为 2。\n- `-x`: 开启 TTA 模式（测试时增强），可提升画质但速度变慢。\n- `-g`: 指定 GPU ID，-1 表示使用 CPU。\n\n### 进阶示例\n对输入图片进行 2 倍放大，应用中等去噪（等级 1），并开启 TTA 模式以获得最佳画质：\n\n```shell\nrealcugan-ncnn-vulkan.exe -i input.jpg -o output.png -s 2 -n 1 -x\n```\n\n### 批量处理\n`-i` 和 `-o` 参数均支持目录路径，可对文件夹内所有图片进行批量处理：\n\n```shell\nrealcugan-ncnn-vulkan.exe -i .\u002Finput_images -o .\u002Foutput_images -s 2 -n 0\n```","一位独立动画创作者需要批量修复并高清化一套珍贵的老旧番剧截图，以便在 4K 显示器上展示或制作高清壁纸。\n\n### 没有 realcugan-ncnn-vulkan 时\n- **环境配置极其繁琐**：必须安装庞大的 CUDA 驱动、PyTorch 深度学习框架及对应版本的 Python 依赖，极易因版本冲突导致运行失败。\n- **硬件兼容性差**：若使用 Apple Silicon (M1\u002FM2) 或部分 AMD 显卡，往往缺乏优化支持，只能被迫使用 CPU 跑图，处理单张图片需数分钟。\n- **显存限制严格**：面对高分辨率原图，常因显存不足直接报错崩溃，缺乏自动分块（Tile）处理机制。\n- **噪点控制单一**：难以灵活调整去噪强度，导致老图中的压缩噪点被放大，或画面细节被过度抹平。\n\n### 使用 realcugan-ncnn-vulkan 后\n- **开箱即用零依赖**：直接下载便携版可执行文件即可运行，无需安装任何 Python 环境或 CUDA  toolkit，彻底告别“依赖地狱”。\n- **全平台 GPU 加速**：基于 Vulkan API，在 Intel、AMD、Nvidia 及 Apple Silicon 上均能满血发挥显卡性能，批量处理速度提升数十倍。\n- **智能显存管理**：通过 `-t` 参数自动或手动设置分块大小，轻松处理超大分辨率图片，不再受显存容量限制而崩溃。\n- **精细化画质调节**：利用 `-n` 参数自由设定去噪等级（0-3），完美平衡老图噪点去除与动漫线条的锐利度，还原最佳观感。\n\nrealcugan-ncnn-vulkan 让跨平台的高清动漫图像超分辨率处理变得像使用普通看图软件一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnihui_realcugan-ncnn-vulkan_dcd77ec8.png","nihui",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnihui_727f3f33.jpg","マジやばくね","Shanghai","https:\u002F\u002Fgithub.com\u002Fnihui",[82,86,90],{"name":83,"color":84,"percentage":85},"C","#555555",65.6,{"name":87,"color":88,"percentage":89},"C++","#f34b7d",31.9,{"name":91,"color":92,"percentage":93},"CMake","#DA3434",2.5,888,53,"2026-04-05T13:24:14","MIT","Windows, Linux, macOS","非必需（支持 CPU 模式 -g -1）。推荐支持 Vulkan API 的 GPU（Intel \u002F AMD \u002F Nvidia \u002F Apple Silicon）。无需 CUDA。显存需求未明确说明，但可通过减小 tile-size 参数降低显存占用。","未说明",{"notes":102,"python":103,"dependencies":104},"该工具为便携版可执行文件，无需安装 CUDA 或 PyTorch 运行时环境。若遇到崩溃或错误，建议升级显卡驱动程序。支持多 GPU 并行处理，可通过调整线程数（-j 参数）和分块大小（-t 参数）优化性能与显存占用。","不需要 Python 环境",[105,106,107,108,109],"ncnn","Vulkan SDK (编译时需要)","libwebp","stb","dirent",[15],[112,113,114,115,116,117,118,119,105,120],"windows","macos","linux","amd","nvidia","intel","gpu","vulkan","realcugan","2026-03-27T02:49:30.150509","2026-04-07T08:13:46.524687",[124,129,134,139,144,149],{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},21408,"是否支持 Real-CUGAN 的 Pro 模型？","是的，realcugan-ncnn-vulkan 在 20220728 版本中已经正式引入了 Pro 模型支持。用户下载该版本或更新版本后即可使用 `-m models-pro` 参数调用 Pro 模型进行图像超分。","https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fissues\u002F24",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},21409,"在 Apple M1\u002FM1 Pro 芯片上无法运行或报错怎么办？","请确保下载的是 20220217 或之后发布的版本，该版本修复了 macOS 二进制文件目录自动获取的问题并完善了对 ARM 架构的支持。如果更新后仍报错，请检查是否正确提取了 dirname 路径。早期版本可能存在兼容性问题，务必使用最新 Release 包。","https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fissues\u002F5",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},21410,"使用 3 倍放大时出现显存不足报错（如 vkAllocateMemory failed）或输出异常图片如何解决？","3 倍放大比 4 倍放大更消耗显存且速度更慢。如果遇到显存不足导致批量处理出错，可以尝试手动调小 `tilesize` 参数，例如设置为 400 或 200（命令中添加 `-t 200` 或 `-t 400`）。减小分块大小可以有效降低显存占用，从而解决报错问题。","https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fissues\u002F7",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},21407,"如何处理带有透明通道（tRNS）的调色板 PNG 图片放大后变黑或边缘锯齿的问题？","该问题已在后续版本中修复（参考 commit 40e855d）。如果仍遇到类似问题，建议先将带有 tRNS 块的调色板 PNG 图片预处理转换为 RGBA 格式，然后再进行放大处理，这样可以避免透明信息丢失和边缘锯齿。目前 Alpha 通道使用的是双三次插值（bicubic），在特定场景下视觉效果可能不如 RGB 通道锐利。","https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fissues\u002F15",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},21411,"在 WSL2 或 Linux 环境下运行时报错 \"Invalid bitcast\" 或 \"llvmpipe\" 警告是什么原因？","这通常是因为程序没有检测到支持 Vulkan 的独立显卡，而是错误地使用了 llvmpipe（CPU 软模拟）。请确保：1. 系统已正确安装显卡驱动；2. 不要直接使用源码编译的版本，而是去 Releases 页面下载对应系统（如 ubuntu）的预编译包；3. 确认环境变量配置正确，使程序能识别到 NVIDIA 或 AMD 显卡而非 llvmpipe。","https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fissues\u002F8",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},21412,"参数 tilesize 的作用是什么？设置多大合适？","tilesize 用于将大图分割成小块进行处理，主要目的是减少显存占用，防止大图片处理时显存溢出。如果不使用分块（或分块很大），理论上在显存充足的情况下效率会更高，因为减少了多块同步的开销。默认值通常为 400，如果显存较小或图片较大，可适当调小该值（如 200）；如果显存充裕，可尝试调大以提升速度。","https:\u002F\u002Fgithub.com\u002Fnihui\u002Frealcugan-ncnn-vulkan\u002Fissues\u002F48",[155,159,164,169,174],{"id":156,"version":157,"summary_zh":76,"released_at":158},127430,"20220728","2022-07-28T09:42:44",{"id":160,"version":161,"summary_zh":162,"released_at":163},127431,"20220318","修复CPU模式下4倍放大错误的问题\n修复图片边缘的瑕疵问题\n修复在目录处理模式下可能出现的GPU显存不足问题\n更新ncnn库，速度更快","2022-03-18T09:21:28",{"id":165,"version":166,"summary_zh":167,"released_at":168},127432,"20220217","修复 macOS 读取模型路径的错误\n优化自动瓦片大小设置\n增加“非常粗糙”的对齐模式","2022-02-17T08:48:23",{"id":170,"version":171,"summary_zh":172,"released_at":173},127433,"20220216","添加 syncgap 选项\n修复 macOS 可执行文件目录","2022-02-16T14:59:51",{"id":175,"version":176,"summary_zh":76,"released_at":177},127434,"20220215","2022-02-15T15:25:45"]