[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nyoki-mtl--pytorch-EverybodyDanceNow":3,"tool-nyoki-mtl--pytorch-EverybodyDanceNow":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":79,"owner_location":80,"owner_email":81,"owner_twitter":78,"owner_website":78,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":78,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":103,"github_topics":104,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":119},580,"nyoki-mtl\u002Fpytorch-EverybodyDanceNow","pytorch-EverybodyDanceNow","Implementation of Everybody Dance Now by pytorch","pytorch-EverybodyDanceNow 是一个基于 PyTorch 框架复现“人人都会跳舞”（Everybody Dance Now）技术的开源项目。它的核心功能是将一段舞蹈视频的肢体动作，迁移到任意目标人物的图像或视频中，让静态图片中的人物也能跟着节奏舞动。\n\n这个项目主要解决了传统数字人动画制作成本高、周期长的问题，通过深度学习实现了低成本的动作驱动合成。对于计算机视觉领域的开发者、研究人员以及对生成式对抗网络（GAN）感兴趣的技术爱好者来说，这是一个非常不错的学习与实践平台。\n\n在技术实现上，pytorch-EverybodyDanceNow 整合了姿态估计与 pix2pixHD 图像生成模块，能够精准捕捉并转换关键帧的肢体运动。虽然目前版本对运行环境有一定要求（如 Ubuntu 16.04 及特定版本的 Python 和 PyTorch），但它为探索人体姿态迁移算法提供了清晰的代码参考。如果你正在研究视频内容生成或动作重定向，不妨尝试一下这个仓库。","# pytorch-EverybodyDanceNow\nThis repository tries to implement [Everybody Dance Now](https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.07371) by pytorch.\n\n![Result](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnyoki-mtl_pytorch-EverybodyDanceNow_readme_30b0169ab55b.gif)\n\n## ToDo\n\n- Pose estimation\n    - [x] Pose\n    - [ ] Face\n    - [ ] Hand\n- [x] pix2pixHD\n- [ ] FaceGAN\n- [ ] Temporal smoothing\n\n## Environments\nUbuntu16.04  \npython3.6.4  \npytorch: 0.4.1  \nopencv: 3.4.1  \n","# pytorch-EverybodyDanceNow\n本仓库尝试使用 PyTorch（深度学习框架）实现 [Everybody Dance Now](https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.07371)。\n\n![Result](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnyoki-mtl_pytorch-EverybodyDanceNow_readme_30b0169ab55b.gif)\n\n## 待办事项\n\n- 姿态估计 (Pose estimation)\n    - [x] 姿态 (Pose)\n    - [ ] 面部 (Face)\n    - [ ] 手部 (Hand)\n- [x] pix2pixHD\n- [ ] FaceGAN\n- [ ] 时序平滑 (Temporal smoothing)\n\n## 运行环境\nUbuntu16.04  \npython3.6.4  \nPyTorch: 0.4.1  \nOpenCV: 3.4.1","# pytorch-EverybodyDanceNow 快速上手指南\n\n本项目基于 PyTorch 实现了论文 [Everybody Dance Now](https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.07371)，主要用于姿态迁移与舞蹈动作生成。以下是快速搭建环境与运行的指南。\n\n## 1. 环境准备\n\n根据官方要求，建议配置以下基础环境：\n\n- **操作系统**: Ubuntu 16.04 (其他 Linux 发行版或 macOS 可能需调整依赖)\n- **Python**: 3.6.4\n- **深度学习框架**: PyTorch 0.4.1\n- **图像处理库**: OpenCV 3.4.1\n\n> 💡 **提示**：由于 PyTorch 0.4.1 版本较老，建议使用 `conda` 创建独立虚拟环境以避免冲突。\n\n## 2. 安装步骤\n\n### 克隆代码仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Fpytorch-EverybodyDanceNow.git\ncd pytorch-EverybodyDanceNow\n```\n\n### 创建并激活虚拟环境\n```bash\nconda create -n edn python=3.6.4\nconda activate edn\n```\n\n### 安装依赖\n推荐使用国内镜像源加速下载（如清华源）：\n\n```bash\npip install torch==0.4.1 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install opencv-python==3.4.1 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*(注：若项目包含 `requirements.txt`，请优先使用 `pip install -r requirements.txt`)*\n\n## 3. 基本使用\n\n本工具主要流程为：提取输入图像的姿态关键点 -> 结合参考视频的动作序列 -> 生成合成视频。\n\n1. **准备数据**：确保已准备好目标人物图像及参考舞蹈视频。\n2. **运行脚本**：根据仓库内提供的具体脚本执行推理（通常位于根目录）。\n   ```bash\n   python \u003Cyour_inference_script>.py --input_path \u003Cpath_to_image> --video_path \u003Cpath_to_video>\n   ```\n3. **查看结果**：生成的动画将保存在输出目录中（效果类似 `output.gif`）。\n\n> ⚠️ **注意**：当前版本处于开发阶段，部分功能（如人脸、手部姿态估计及面部 GAN）尚未完全实现，请根据实际 `ToDo` 列表确认功能可用性。","某电商直播运营团队计划推出“虚拟主播”互动活动，希望让品牌吉祥物跟随热门舞蹈视频动起来，但团队内部没有专业的 3D 动画师，面临技术瓶颈。\n\n### 没有 pytorch-EverybodyDanceNow 时\n- 传统方式需手工调整关键帧，制作 10 秒舞蹈视频需耗费数天时间，严重拖慢上线进度。\n- 购买商业动作捕捉软件授权费用过高，对于短期营销活动来说预算压力巨大。\n- 吉祥物是平面插画，缺乏骨骼数据，无法直接套用现有的动捕资源库。\n- 每次修改舞蹈动作需重新渲染整个序列，试错成本极高，导致创意迭代困难。\n\n### 使用 pytorch-EverybodyDanceNow 后\n- pytorch-EverybodyDanceNow 能直接将参考视频的骨架动作迁移到吉祥物图片上，无需额外骨骼绑定。\n- 自动化处理姿态估计与图像生成，将制作周期从数天缩短至数小时内即可完成。\n- 基于开源架构本地部署，节省了昂贵的商业软件授权费及后续维护成本。\n- 支持批量替换目标形象，轻松生成多个吉祥物版本的舞蹈宣传素材，满足多样化需求。\n\n该技术让非专业人员也能快速实现高质量的角色动作迁移，极大提升了营销内容的生产效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnyoki-mtl_pytorch-EverybodyDanceNow_6d2eea28.png","nyoki-mtl","Hiroki Taniai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnyoki-mtl_ff51cef2.jpg",null,"The University of Tokyo","Tokyo","charmer.popopo@gmail.com","https:\u002F\u002Fgithub.com\u002Fnyoki-mtl",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",90.9,{"name":89,"color":90,"percentage":91},"Python","#3572A5",9.1,885,195,"2026-02-10T23:24:02","Linux","未说明",{"notes":98,"python":99,"dependencies":100},"项目基于旧版 PyTorch 0.4.1 开发，官方指定 Ubuntu 16.04 环境，需注意依赖版本兼容性","3.6.4",[101,102],"pytorch==0.4.1","opencv==3.4.1",[13],[105,106],"pytorch","everybody-dance-now","2026-03-27T02:49:30.150509","2026-04-06T07:13:42.091719",[110,115],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},2373,"能否分享训练视频或相关数据？","维护者表示将在几天内上传自己的实现版本。由于较难找到适合该工作的合适视频数据，建议关注后续更新以获取资源。","https:\u002F\u002Fgithub.com\u002Fnyoki-mtl\u002Fpytorch-EverybodyDanceNow\u002Fissues\u002F1",{"id":116,"question_zh":117,"answer_zh":118,"source_url":114},2374,"训练时应该使用 RGB 图像还是骨架（Skeleton）作为输入？","根据讨论，使用 RGB 输入效果很好。虽然 nyoki 的数据集将骨架转换为标签，但澄清表明 RGB 输入是更优选择。",[]]