[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ranahanocka--point2mesh":3,"tool-ranahanocka--point2mesh":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":82,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":143},1227,"ranahanocka\u002Fpoint2mesh","point2mesh","Reconstruct Watertight Meshes from Point Clouds [SIGGRAPH 2020]","Point2Mesh 是一个开源AI工具，专为从点云数据高效重建高质量封闭网格而设计。它能自动将散乱的点云转化为光滑、无孔洞的3D网格模型，解决了传统点云重建中网格不封闭（如出现裂缝或空洞）的常见难题。该工具通过深度学习优化CNN权重，让初始网格变形贴合点云形状，其核心创新在于利用全局优化的卷积核，促进网格表面的局部几何自相似性，从而生成更自然、细节丰富的3D模型。适合3D图形领域的研究人员和开发者使用，需要基础的PyTorch和3D处理知识。安装简单，提供预设示例（如长颈鹿、公牛模型）和脚本，只需几行命令即可快速运行。如果你在处理3D扫描数据或需要精确网格重建，Point2Mesh 能显著提升你的工作流程效率。","\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Franahanocka_point2mesh_readme_17c061d64990.gif' align=\"right\" width=325>\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n# Point2Mesh in PyTorch\n\n\n### SIGGRAPH 2020 [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11084) [[Project Page]](https:\u002F\u002Franahanocka.github.io\u002Fpoint2mesh\u002F)\u003Cbr>\n\nPoint2Mesh is a technique for reconstructing a surface mesh from an input point cloud.\nThis approach \"learns\" from a single object, by optimizing the weights of a CNN to deform some initial mesh to shrink-wrap the input point cloud.\nThe argument for going this route is: since the (local) convolutional kernels are optimized globally across the entire shape,\nthis encourages local-scale geometric self-similarity across the reconstructed shape surface.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Franahanocka_point2mesh_readme_7333763d7f8b.gif\" align=\"center\" width=\"250px\"> \u003Cbr>\n\nThe code was written by [Rana Hanocka](https:\u002F\u002Fwww.cs.tau.ac.il\u002F~hanocka\u002F) and [Gal Metzer](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fgal-metzer-512803a1\u002F).\n\n# Getting Started\n\n### Installation\n- Clone this repo:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh.git\ncd point2mesh\n```\n#### Setup Conda Environment\n- Relies on [PyTorch](https:\u002F\u002Fpytorch.org\u002F) version 1.4 (or 1.5) and [PyTorch3D](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fpytorch3d) version 0.2.0. \u003Cbr>\nInstall via conda environment `conda env create -f environment.yml` (creates an environment called point2mesh)\n\n#### Install \"Manifold\" Software\nThis code relies on the [Robust Watertight Manifold Software](https:\u002F\u002Fgithub.com\u002Fhjwdzh\u002FManifold). \nFirst ```cd``` into the location you wish to install the software. For example, we used ```cd ~\u002Fcode```.\nThen follow the installation instructions in the Watertight README.\nIf you installed Manifold in a different path than ```~\u002Fcode\u002FManifold\u002Fbuild```, please update ```options.py``` accordingly (see [this line](https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh\u002Fblob\u002F767ac0ea0f5297b912eafd61a5cd2f60ec8c8490\u002Foptions.py#L6))\n  \n# Running Examples\n \n### Get Data\nDownload our example data\n```bash\nbash .\u002Fscripts\u002Fget_data.sh\n```\n\n### Running Reconstruction \nFirst, if using conda env first activate env e.g. ```source activate point2mesh```.\nAll the scripts can be found in ```.\u002Fscripts\u002Fexamples```.\nHere are a few examples:\n\n#### Giraffe\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Fgiraffe.sh\n```\n\n#### Bull\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Fbull.sh\n```\n\n#### Tiki\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Ftiki.sh\n```\n\n#### Noisy Guitar\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Fnoisy_guitar.sh\n```\n... and more.\n#### All the examples\nTo run all the examples in this repo:\n```bash\nbash .\u002Fscripts\u002Frun_all_examples.sh\n```\n# Running different Examples\nYou should provide an initial mesh file. If the shape has genus 0, you can use the convex hull script provided in ```.\u002Fscripts\u002Fprocess_data\u002Fconvex_hull.py```\n\n# Citation\nIf you find this code useful, please consider citing our paper\n```\n@article{Hanocka2020p2m,\n  title = {Point2Mesh: A Self-Prior for Deformable Meshes},\n  author = {Hanocka, Rana and Metzer, Gal and Giryes, Raja and Cohen-Or, Daniel},\n  year = {2020},\n  issue_date = {July 2020}, \n  publisher = {Association for Computing Machinery}, \n  volume = {39}, \n  number = {4}, \n  issn = {0730-0301},\n  url = {https:\u002F\u002Fdoi.org\u002F10.1145\u002F3386569.3392415},\n  doi = {10.1145\u002F3386569.3392415},\n  journal = {ACM Trans. Graph.}, \n}\n```\n\n# Questions \u002F Issues\nIf you have questions or issues running this code, please open an issue.\n","\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Franahanocka_point2mesh_readme_17c061d64990.gif' align=\"right\" width=325>\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n# PyTorch 中的 Point2Mesh\n\n\n### SIGGRAPH 2020 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11084) [[项目页面]](https:\u002F\u002Franahanocka.github.io\u002Fpoint2mesh\u002F)\u003Cbr>\n\nPoint2Mesh 是一种从输入点云重建表面网格的技术。\n该方法通过优化卷积神经网络的权重，使初始网格发生形变以紧密贴合输入点云，从而“学习”单个物体的特征。\n采用这种方法的理由是：由于（局部）卷积核在整个形状上进行全局优化，\n这有助于在重建后的形状表面上实现局部尺度上的几何自相似性。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Franahanocka_point2mesh_readme_7333763d7f8b.gif\" align=\"center\" width=\"250px\"> \u003Cbr>\n\n该代码由 [Rana Hanocka](https:\u002F\u002Fwww.cs.tau.ac.il\u002F~hanocka\u002F) 和 [Gal Metzer](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fgal-metzer-512803a1\u002F) 编写。\n\n# 入门指南\n\n### 安装\n- 克隆此仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh.git\ncd point2mesh\n```\n#### 设置 Conda 环境\n- 依赖于 [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 1.4（或 1.5）版本以及 [PyTorch3D](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fpytorch3d) 0.2.0 版本。\u003Cbr>\n通过 Conda 环境安装：`conda env create -f environment.yml`（创建一个名为 point2mesh 的环境）\n\n#### 安装 “Manifold” 软件\n本代码依赖于 [Robust Watertight Manifold Software](https:\u002F\u002Fgithub.com\u002Fhjwdzh\u002FManifold)。\n首先切换到您希望安装该软件的目录。例如，我们使用了 ```cd ~\u002Fcode```。\n然后按照 Watertight README 中的安装说明进行操作。\n如果您将 Manifold 安装到了与 ```~\u002Fcode\u002FManifold\u002Fbuild``` 不同的路径，请相应地更新 ```options.py``` 文件（参见[这一行](https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh\u002Fblob\u002F767ac0ea0f5297b912eafd61a5cd2f60ec8c8490\u002Foptions.py#L6)）。\n\n# 运行示例\n\n### 获取数据\n下载我们的示例数据\n```bash\nbash .\u002Fscripts\u002Fget_data.sh\n```\n\n### 运行重建\n首先，如果使用 Conda 环境，需先激活环境，例如：`source activate point2mesh`。\n所有脚本均可在 ```.\u002Fscripts\u002Fexamples``` 中找到。\n以下是一些示例：\n\n#### 长颈鹿\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Fgiraffe.sh\n```\n\n#### 公牛\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Fbull.sh\n```\n\n#### 提基雕像\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Ftiki.sh\n```\n\n#### 噪声吉他\n```bash\nbash .\u002Fscripts\u002Fexamples\u002Fnoisy_guitar.sh\n```\n……还有更多。\n#### 所有示例\n要运行本仓库中的所有示例：\n```bash\nbash .\u002Fscripts\u002Frun_all_examples.sh\n```\n# 运行不同示例\n您应提供一个初始网格文件。如果形状的亏格为 0，可以使用 ```.\u002Fscripts\u002Fprocess_data\u002Fconvex_hull.py``` 中提供的凸包脚本。\n\n# 引用\n如果您觉得这段代码有用，请考虑引用我们的论文：\n```\n@article{Hanocka2020p2m,\n  title = {Point2Mesh: 用于可变形网格的自先验},\n  author = {Hanocka, Rana 和 Metzer, Gal 和 Giryes, Raja 和 Cohen-Or, Daniel},\n  year = {2020},\n  issue_date = {2020年7月}, \n  publisher = {美国计算机协会}, \n  volume = {39}, \n  number = {4}, \n  issn = {0730-0301},\n  url = {https:\u002F\u002Fdoi.org\u002F10.1145\u002F3386569.3392415},\n  doi = {10.1145\u002F3386569.3392415},\n  journal = {ACM 图形学汇刊}, \n}\n```\n\n# 问题\u002F反馈\n如果您在运行此代码时遇到问题或疑问，请提交一个 Issue。","# Point2Mesh 快速上手指南\n\n## 环境准备\n- **系统要求**：Linux（推荐），需支持 CUDA（可选）\n- **前置依赖**：\n  - Python 3.6+\n  - PyTorch 1.4 或 1.5\n  - PyTorch3D 0.2.0\n  - Conda（建议使用清华镜像加速安装）\n  - Manifold 软件（需单独安装）\n\n## 安装步骤\n1. 克隆仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh.git\n   cd point2mesh\n   ```\n\n2. 配置 Conda 国内镜像（加速依赖安装）：\n   ```bash\n   conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\n   conda config --set show_channel_urls yes\n   ```\n\n3. 创建 Conda 环境：\n   ```bash\n   conda env create -f environment.yml\n   ```\n\n4. 安装 Manifold 软件：\n   ```bash\n   cd ~\u002Fcode\n   git clone https:\u002F\u002Fgithub.com\u002Fhjwdzh\u002FManifold.git\n   cd Manifold\u002Fbuild\n   cmake ..\n   make\n   ```\n   > 若安装路径非 `~\u002Fcode\u002FManifold\u002Fbuild`，需更新 `options.py` 中的路径\n\n## 基本使用\n1. 获取示例数据：\n   ```bash\n   bash .\u002Fscripts\u002Fget_data.sh\n   ```\n\n2. 激活 Conda 环境：\n   ```bash\n   conda activate point2mesh\n   ```\n\n3. 运行首个示例（长颈鹿模型）：\n   ```bash\n   bash .\u002Fscripts\u002Fexamples\u002Fgiraffe.sh\n   ```\n   > 输出结果将保存在 `results\u002Fgiraffe\u002F` 目录下","某游戏开发团队在制作历史题材游戏时，需将博物馆3D扫描的青铜器文物点云数据转换为游戏可用的网格模型，用于角色装备和场景道具。\n\n### 没有 point2mesh 时\n- 点云数据含大量噪声和缺失区域，需手动清理数天，且易因误操作导致模型失真\n- 传统工具如MeshLab重建的网格常出现孔洞或非封闭结构，需反复调整参数\n- 生成的网格无法直接导入Unity引擎，需额外用Blender修复，增加30%以上工作量\n- 团队需依赖3D建模专家处理，人力成本高且影响其他项目进度\n- 项目周期因模型延迟延长，导致游戏开发节点多次延误\n\n### 使用 point2mesh 后\n- point2mesh 自动优化初始网格拟合点云，处理时间从数天压缩至2小时内\n- 生成的水密网格完整保留青铜器纹路细节，无需手动修复孔洞\n- 输出模型可直接导入Unity引擎，减少中间处理环节\n- 非专业成员通过脚本一键运行，团队协作效率提升50%\n- 模型交付提前3周，确保游戏开发按计划推进\n\npoint2mesh 通过自动化高质量网格重建，让3D内容创作从“耗时修复”转向“快速交付”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Franahanocka_point2mesh_17c061d6.gif","ranahanocka","Rana Hanocka","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Franahanocka_4437d02c.jpg","Research in Deep Learning and Computer Graphics","Assistant Professor",null,"github@hanocka.com","RanaHanocka","http:\u002F\u002Fpeople.cs.uchicago.edu\u002F~ranahanocka\u002F","https:\u002F\u002Fgithub.com\u002Franahanocka",[86,90],{"name":87,"color":88,"percentage":89},"Python","#3572A5",98.2,{"name":91,"color":92,"percentage":93},"Shell","#89e051",1.8,1231,137,"2026-04-04T14:01:47","MIT","未说明",{"notes":100,"python":98,"dependencies":101},"需要安装 Manifold 软件，路径需在 options.py 中配置；首次运行需下载约 5GB 数据文件",[102,103],"torch>=1.4","pytorch3d==0.2.0",[54,13],[106,107,108,109,110,111],"3d-graphics","deep-learning","mesh-processing","pointcloud","pytorch","reconstruction","2026-03-27T02:49:30.150509","2026-04-06T07:11:51.515452",[115,120,125,130,135,139],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},5574,"在 6GB GPU 上运行时出现 CUDA out of memory 错误，如何解决？","可以尝试以下方法：\n1. 调整 `--faces-to-part` 参数，例如 `--faces-to-part 7000 13000 20000` 以避免内存溢出（根据 GPU 内存大小动态分割网格）。\n2. 使用多 GPU 并行：将网格分割到多个 GPU 上运行（例如，2 个 GPU 时，设置 `--faces-to-part` 参数分割网格）。\n3. 在 Windows 系统上，确保移除命令中的 `> \u002Fdev\u002Fnull 2>&1` 以避免抑制输出。","https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh\u002Fissues\u002F13",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},5575,"运行时出现 'FileNotFoundError: No such file or directory' 错误，如何解决？","在 Windows 系统上：\n1. 移除命令中的 `> \u002Fdev\u002Fnull 2>&1` 以避免抑制输出（维护者已修复此问题）。\n2. 确保 Manifold 可执行文件路径正确：将 `manifold.exe` 放在 `.\\code` 文件夹（而非子目录）。\n3. 调整 `--faces-to-part` 参数，如 `--faces-to-part 7000 13000 20000` 以匹配 GPU 内存。","https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh\u002Fissues\u002F3",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},5576,"读取 .ply 文件时出现 'UnicodeDecodeError'，如何解决？","使用 MeshLab 转换 .ply 文件：\n1. 导出网格时，取消勾选 'binary encoding'（确保为 ASCII 格式）。\n2. 确保勾选 'normals' 以保留法向量。\n3. 保存为新 .ply 文件后重新运行（维护者已提供转换脚本）。","https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh\u002Fissues\u002F9",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},5577,"安装时遇到 'tar: data.tar: Cannot open: No such file or directory' 错误，如何解决？","在 Linux 系统上安装（Windows 可能有问题）：\n1. 移除 `environment.yml` 中的 `pytorch3d` 依赖。\n2. 手动安装 pytorch3d：`conda install -c pytorch3d pytorch3d`。\n3. 确保数据文件正确下载：运行 `bash .scripts\u002Fget_data.sh` 后检查 `.\u002Fdata` 目录。","https:\u002F\u002Fgithub.com\u002Franahanocka\u002Fpoint2mesh\u002Fissues\u002F25",{"id":136,"question_zh":137,"answer_zh":138,"source_url":124},5578,"如何在 Windows 上正确配置 Manifold 可执行文件路径？","在 Windows 系统上：\n1. 将 Manifold 可执行文件（如 `manifold.exe`）直接放在项目根目录的 `.\\code` 文件夹中（而非 `build\\Release` 子目录）。\n2. 确保命令中不包含 `\\b` 字符（使用原始字符串路径）。\n3. 移除 `> \u002Fdev\u002Fnull 2>&1` 以避免抑制输出（维护者已修复此问题）。",{"id":140,"question_zh":141,"answer_zh":142,"source_url":124},5579,"如何调整参数避免 GPU 内存溢出？","通过 `--faces-to-part` 参数动态分割网格：\n- 默认值 `--faces-to-part 8000 16000 20000` 可能超出 6GB GPU 内存。\n- 根据 GPU 内存调整：例如 6GB 显存使用 `--faces-to-part 7000 13000 20000`（参考 Issue #3 的维护者建议）。\n- 逐步测试：从较低值开始（如 `--faces-to-part 5000 10000 15000`）。",[]]