[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-richzhang--colorization":3,"tool-richzhang--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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":141},9375,"richzhang\u002Fcolorization","colorization","Automatic colorization using deep neural networks. \"Colorful Image Colorization.\" In ECCV, 2016.","colorization 是一款基于深度神经网络的开源项目，致力于将黑白照片自动还原为彩色图像。它主要解决了传统手工上色耗时费力、门槛高，以及早期算法色彩单一、缺乏真实感的痛点，让历史影像或单色素材能瞬间焕发新生。\n\n该项目适合计算机视觉研究人员、AI 开发者以及需要批量处理图像的设计师使用。虽然普通用户也可通过简单命令体验，但其核心优势在于提供了灵活的模型加载与预处理流程，更便于技术人群进行二次开发或集成到工作流中。\n\ncolorization 的技术亮点在于其深厚的学术背景，核心算法源自 2016 年 ECCV 会议发表的经典论文《Colorful Image Colorization》。它不仅支持全自动上色，还融合了 2017 年 SIGGRAPH 提出的“实时用户引导”技术，允许用户在自动化的基础上进行交互式微调，从而获得更符合预期的色彩效果。目前项目已更新支持 PyTorch 框架，提供了预训练模型，方便研究者快速复现成果或作为其他视觉任务的基础组件。无论是修复老照片还是进行艺术创作，colorization 都提供了一个高效且专业的解决方案。","\u003C!--\u003Ch3>\u003Cb>Colorful Image Colorization\u003C\u002Fb>\u003C\u002Fh3>-->\n## \u003Cb>Colorful Image Colorization\u003C\u002Fb> [[Project Page]](http:\u002F\u002Frichzhang.github.io\u002Fcolorization\u002F) \u003Cbr>\n[Richard Zhang](https:\u002F\u002Frichzhang.github.io\u002F), [Phillip Isola](http:\u002F\u002Fweb.mit.edu\u002Fphillipi\u002F), [Alexei A. Efros](http:\u002F\u002Fwww.eecs.berkeley.edu\u002F~efros\u002F). In [ECCV, 2016](http:\u002F\u002Farxiv.org\u002Fpdf\u002F1603.08511.pdf).\n\n**+ automatic colorization functionality for Real-Time User-Guided Image Colorization with Learned Deep Priors, SIGGRAPH 2017!**\n\n**[Sept20 Update]** Since it has been 3-4 years, I converted this repo to support minimal test-time usage in PyTorch. I also added our SIGGRAPH 2017 (it's an interactive method but can also do automatic). See the [Caffe branch](https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Ftree\u002Fcaffe) for the original release.\n\n![Teaser Image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frichzhang_colorization_readme_63467825c696.jpg)\n\n**Clone the repository; install dependencies**\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization.git\npip install requirements.txt\n```\n\n**Colorize!** This script will colorize an image. The results should match the images in the `imgs_out` folder.\n\n```\npython demo_release.py -i imgs\u002Fansel_adams3.jpg\n```\n\n**Model loading in Python** The following loads pretrained colorizers. See [demo_release.py](demo_release.py) for some details on how to run the model. There are some pre and post-processing steps: convert to Lab space, resize to 256x256, colorize, and concatenate to the original full resolution, and convert to RGB.\n\n```python\nimport colorizers\ncolorizer_eccv16 = colorizers.eccv16().eval()\ncolorizer_siggraph17 = colorizers.siggraph17().eval()\n```\n\n### Original implementation (Caffe branch)\n\nThe original implementation contained train and testing, our network and AlexNet (for representation learning tests), as well as representation learning tests. It is in Caffe and is no longer supported. Please see the [caffe](https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Ftree\u002Fcaffe) branch for it.\n\n### Citation ###\n\nIf you find these models useful for your resesarch, please cite with these bibtexs.\n\n```\n@inproceedings{zhang2016colorful,\n  title={Colorful Image Colorization},\n  author={Zhang, Richard and Isola, Phillip and Efros, Alexei A},\n  booktitle={ECCV},\n  year={2016}\n}\n\n@article{zhang2017real,\n  title={Real-Time User-Guided Image Colorization with Learned Deep Priors},\n  author={Zhang, Richard and Zhu, Jun-Yan and Isola, Phillip and Geng, Xinyang and Lin, Angela S and Yu, Tianhe and Efros, Alexei A},\n  journal={ACM Transactions on Graphics (TOG)},\n  volume={9},\n  number={4},\n  year={2017},\n  publisher={ACM}\n}\n```\n\n### Misc ###\nContact Richard Zhang at rich.zhang at eecs.berkeley.edu for any questions or comments.\n","\u003C!--\u003Ch3>\u003Cb>彩色图像上色\u003C\u002Fb>\u003C\u002Fh3>-->\n## \u003Cb>彩色图像上色\u003C\u002Fb> [[项目页面]](http:\u002F\u002Frichzhang.github.io\u002Fcolorization\u002F) \u003Cbr>\n[Richard Zhang](https:\u002F\u002Frichzhang.github.io\u002F), [Phillip Isola](http:\u002F\u002Fweb.mit.edu\u002Fphillipi\u002F), [Alexei A. Efros](http:\u002F\u002Fwww.eecs.berkeley.edu\u002F~efros\u002F)。发表于 [ECCV, 2016](http:\u002F\u002Farxiv.org\u002Fpdf\u002F1603.08511.pdf)。\n\n**+ 实时用户引导图像上色的自动上色功能，基于学习的深度先验，SIGGRAPH 2017！**\n\n**[2023年9月更新]** 由于距今已有3-4年时间，我已将此仓库转换为支持在PyTorch中进行最小化测试时使用的版本。我还添加了我们在SIGGRAPH 2017提出的算法（这是一种交互式方法，但也可以实现自动上色）。原始发布版本请参阅[Caffe分支](https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Ftree\u002Fcaffe)。\n\n![预告图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frichzhang_colorization_readme_63467825c696.jpg)\n\n**克隆仓库；安装依赖**\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization.git\npip install requirements.txt\n```\n\n**开始上色！** 此脚本将对一张图片进行上色。结果应与`imgs_out`文件夹中的图片一致。\n\n```\npython demo_release.py -i imgs\u002Fansel_adams3.jpg\n```\n\n**在Python中加载模型** 下面的代码加载了预训练好的上色模型。有关如何运行该模型的一些细节，请参阅[demo_release.py](demo_release.py)。其中包含一些预处理和后处理步骤：转换到Lab颜色空间，调整大小至256x256，进行上色，再与原始全分辨率图像拼接，并转换为RGB格式。\n\n```python\nimport colorizers\ncolorizer_eccv16 = colorizers.eccv16().eval()\ncolorizer_siggraph17 = colorizers.siggraph17().eval()\n```\n\n### 原始实现（Caffe分支） ###\n\n原始实现包含了训练和测试部分、我们的网络以及用于表征学习测试的AlexNet，还有相关的表征学习实验。该实现基于Caffe框架，目前已不再维护。请参阅[caffe](https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Ftree\u002Fcaffe)分支获取原始版本。\n\n### 引用方式 ###\n\n如果您在研究中使用了这些模型，请使用以下BibTeX格式引用：\n\n```\n@inproceedings{zhang2016colorful,\n  title={Colorful Image Colorization},\n  author={Zhang, Richard and Isola, Phillip and Efros, Alexei A},\n  booktitle={ECCV},\n  year={2016}\n}\n\n@article{zhang2017real,\n  title={Real-Time User-Guided Image Colorization with Learned Deep Priors},\n  author={Zhang, Richard and Zhu, Jun-Yan and Isola, Phillip and Geng, Xinyang and Lin, Angela S and Yu, Tianhe and Efros, Alexei A},\n  journal={ACM Transactions on Graphics (TOG)},\n  volume={9},\n  number={4},\n  year={2017},\n  publisher={ACM}\n}\n```\n\n### 杂项 ###\n\n如有任何问题或意见，请联系Richard Zhang，邮箱地址为rich.zhang at eecs.berkeley.edu。","# Colorful Image Colorization 快速上手指南\n\n本指南基于 Richard Zhang 等人提出的图像自动上色项目（ECCV 2016 & SIGGRAPH 2017），帮助开发者快速在 PyTorch 环境中实现黑白图像自动上色。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows (需配置 Python 环境)\n- **Python 版本**：建议 Python 3.6+\n- **核心依赖**：\n  - PyTorch\n  - NumPy\n  - SciPy\n  - Pillow\n  - scikit-image\n\n> **国内加速建议**：安装依赖时推荐使用清华或阿里镜像源，以提升下载速度。\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization.git\n   cd colorization\n   ```\n\n2. **安装依赖**\n   ```bash\n   pip install -r requirements.txt\n   ```\n   *(若遇网络问题，请参照上方“环境准备”中的镜像源命令)*\n\n## 基本使用\n\n### 1. 命令行快速上色\n运行以下命令即可对示例图片进行自动上色，结果将保存至 `imgs_out` 文件夹：\n\n```bash\npython demo_release.py -i imgs\u002Fansel_adams3.jpg\n```\n\n### 2. Python 代码调用\n你可以在自己的 Python 脚本中加载预训练模型（支持 ECCV 2016 和 SIGGRAPH 2017 两个版本）：\n\n```python\nimport colorizers\n\n# 加载 ECCV 2016 模型\ncolorizer_eccv16 = colorizers.eccv16().eval()\n\n# 加载 SIGGRAPH 2017 模型 (支持交互式引导，也可用于自动上色)\ncolorizer_siggraph17 = colorizers.siggraph17().eval()\n```\n\n**处理流程说明**：\n模型内部会自动执行以下步骤：将图片转换至 Lab 色彩空间 -> 缩放至 256x256 -> 预测颜色通道 -> 与原图高分辨率亮度通道合并 -> 转回 RGB 空间输出。详细预处理与后处理逻辑可参考 `demo_release.py`。","一位数字档案管理员正在处理一批 20 世纪中叶的珍贵黑白历史照片，急需将其还原为彩色以用于线上展览。\n\n### 没有 colorization 时\n- 人工上色极其耗时，每张高保真照片需要专业画师花费数小时手动涂抹，项目周期被无限拉长。\n- 色彩还原主观性强，不同人员对历史场景的理解不同，导致同一批照片的色调风格严重不统一。\n- 高昂的人力成本使得大规模数字化项目预算超支，大量低优先级照片只能继续以黑白形式沉睡在硬盘中。\n- 缺乏自动化流程，无法快速生成预览效果供策展团队筛选，决策效率低下。\n\n### 使用 colorization 后\n- 利用深度神经网络自动推理，单张照片的上色过程缩短至秒级，原本需数月的工作量现在几天即可完成。\n- 模型基于 ECCV 2016 论文算法学习到的“深度先验”，能根据图像语义（如天空、草地、肤色）生成符合自然规律的统一色调。\n- 极低的边际成本让档案馆能对海量库存照片进行全量彩色化处理，极大丰富了展览素材库。\n- 支持通过 Python 脚本批量调用，轻松集成到现有的图像处理流水线中，实现从扫描到彩印的全自动化闭环。\n\ncolorization 通过深度学习技术将繁琐的手工艺术创作转化为高效的自动化流程，让历史影像的色彩复兴变得触手可及。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frichzhang_colorization_63467825.jpg","richzhang","Richard Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frichzhang_bcf0d593.jpg","Research Scientist @adobe | PhD UC Berkeley || Computer vision | deep learning | graphics | machine learning","@adobe ","San Francisco, CA",null,"rzhang88","richzhang.github.io","https:\u002F\u002Fgithub.com\u002Frichzhang",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,3463,928,"2026-04-09T05:10:22","BSD-2-Clause","未说明","未说明 (基于 PyTorch，通常支持 CPU 或 NVIDIA GPU，具体取决于本地环境配置)",{"notes":94,"python":95,"dependencies":96},"该项目已转换为 PyTorch 版本以支持最小化测试时用法。原始 Caffe 实现已不再维护，仅保留在 caffe 分支中。运行脚本会自动加载预训练模型（ECCV 2016 或 SIGGRAPH 2017），图像会被调整至 256x256 进行处理后再还原分辨率。具体依赖库需查看项目中未直接展示的 requirements.txt 文件。","未说明 (需支持 PyTorch 的版本)",[97,98,99,100,101],"torch","numpy","scipy","Pillow","opencv-python",[14,15],[104,64,105,106,107,108],"caffe","automatic-colorization","deep-learning","deep-learning-algorithms","computer-vision","2026-03-27T02:49:30.150509","2026-04-19T09:16:26.950629",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},42041,"运行训练脚本时遇到 'TypeError: float object cannot be interpreted as an index' 错误怎么办？","这是因为较新版本的 sklearn.neighbors.NearestNeighbors 需要整数作为初始化参数。请修改 resources\u002Fcaffe_traininglayers.py 文件，将创建 NN 对象的行从 `self.nbrs = nn.NearestNeighbors(n_neighbors=NN, ...)` 改为使用整型变量 `self.NN`，即：`self.nbrs = nn.NearestNeighbors(n_neighbors=self.NN, algorithm='ball_tree').fit(self.cc)`。","https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Fissues\u002F33",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},42042,"运行 .\u002Ftrain\u002Ftrain_model.sh 时出现段错误（Segmentation fault）如何解决？","该问题通常由 protobuf 版本不兼容引起。建议安装 protobuf 3.1.0 版本。参考配置环境为：Ubuntu 16.04, Protobuf 3.1.0, CUDA 8.0, cuDNN 5.1。","https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Fissues\u002F27",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},42043,"解析 prototxt 文件时报错 'Message type ConvolutionParameter has no field named dilation' 是什么原因？","这是因为使用的 Caffe 版本过旧，不支持 'dilation' 参数。请确保安装支持该参数的新版 Caffe（如 NVIDIA Caffe 或 BVLC Caffe 的最新版本），不要使用过时的发行版。","https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Fissues\u002F2",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},42044,"下载预训练权重时返回 HTTP 403 Forbidden 错误怎么办？","这通常是暂时的服务器权限配置问题。维护者通常会修复链接权限，请稍后重试。如果问题持续，可以检查项目 README 是否有更新的下载链接或镜像地址。","https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Fissues\u002F86",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},42045,"如何批量处理整个文件夹的图片进行着色？","可以使用社区提供的脚本进行处理，例如参考 https:\u002F\u002Fgithub.com\u002Fttoinou\u002Fcolorization\u002Fblob\u002Fmaster\u002Fcolor.py 中的实现方法来遍历并处理文件夹中的所有图像。","https:\u002F\u002Fgithub.com\u002Frichzhang\u002Fcolorization\u002Fissues\u002F15",{"id":138,"question_zh":139,"answer_zh":140,"source_url":136},42046,"对老电影帧进行着色时结果偏橙色，如何改善质量？","结果偏色可能是因为模型在特定数据集上的偏差。可以尝试使用纪录片帧重新训练网络，或者基于现有的 v2 网络进行微调（fine-tuning）。此外，也可以尝试引入时间一致性约束来处理连续帧，以减少闪烁和颜色跳变。",[]]