awesome-zero-shot-learning
awesome-zero-shot-learning 是一个精心整理的零样本学习（Zero-Shot Learning, ZSL）资源合集，旨在为相关领域的探索者提供一站式导航。它主要解决了研究人员和开发者在入门或深入研究时，难以高效获取高质量论文、标准数据集对比结果及可复现代码的痛点。通过系统化地收录从经典方法到 CVPR、ICLR、ECCV 等顶级会议的最新成果（如 TF-vaegan、VSC、SGMA 等模型），该资源库极大地降低了文献调研与技术复现的门槛。
这份清单特别适合人工智能领域的研究人员、算法工程师以及高校学生使用。无论是希望快速了解零样本分类前沿动态的学者，还是寻找基准代码以开展实验的开发者，都能从中获益。其独特亮点在于不仅提供了论文的原文链接，还广泛附带了官方实现代码仓库，并涵盖了归纳式与直推式等多种学习设定下的关键资源。此外，项目保持活跃更新，欢迎社区共同贡献，确保了内容的时效性与实用性，是进入零样本学习领域不可或缺的参考指南。
使用场景
某医疗 AI 初创团队正尝试开发一套能识别罕见皮肤病变的诊断系统，但面临训练数据极度匮乏且无法覆盖所有未知病种的困境。
没有 awesome-zero-shot-learning 时
- 团队需耗费数周在海量学术数据库中盲目检索“零样本学习”相关论文，难以区分哪些算法适合医疗图像场景。
- 缺乏统一的代码基准，工程师不得不从零复现经典模型，常因缺少关键的预处理脚本或超参数配置而导致实验失败。
- 面对未见过的病变类别，传统模型直接失效，团队陷入“必须收集并标注新数据才能迭代”的死循环，严重拖慢产品上线进度。
- 难以获取权威的对比实验数据，无法评估当前方案与业界最先进水平（SOTA）的差距，技术选型全靠猜测。
使用 awesome-zero-shot-learning 后
- 研究人员通过分类清晰的论文列表，迅速锁定了如 TF-vaegan 和 VSC 等专为广义零样本学习设计的顶会算法，大幅缩短调研周期。
- 直接复用仓库中提供的 Starter Code 和官方实现链接（如 GitHub 源码），将模型搭建时间从数周压缩至几天，并能快速在医疗数据集上验证效果。
- 利用列表中关于“语义关系”和“视觉结构约束”的前沿资源，成功让模型在未见过特定病变样本的情况下，仅凭属性描述即可实现高精度分类。
- 参考仓库整理的标准数据集对比结果，团队明确了性能优化方向，快速将模型准确率提升至接近 SOTA 水平。
awesome-zero-shot-learning 通过整合前沿算法与实战资源，帮助团队突破了数据稀缺瓶颈，实现了从“无数据不可训”到“见描述即识别”的技术跨越。
运行环境要求
未说明
未说明
快速开始
零样本学习
一份精心整理的资源列表，包含论文、标准数据集上的对比结果以及与零样本学习相关的各类链接。
贡献说明
欢迎各位贡献！请参阅issue，其中列出了计划收录到本仓库的内容。如果您希望在这些范围内进行贡献，请随时提交PR。若您有新增板块的建议，请先提出issue并讨论后再提交PR。
目录
零样本目标分类
论文
CVPR 2021
- 刘博、董秋蕾和胡展义。“基于自训练的转导式零样本学习中的难度采样” [pdf]
- 韩宗彦、傅振勇、陈硕和杨健：“面向广义零样本学习的对比嵌入” [pdf] [代码]
- 刘洋、周磊、白晓、黄一飞、顾林、周俊、原田达也。“面向零样本学习的目标导向注视估计” [pdf] [代码]
- “用于组合型零样本学习的图嵌入学习” [pdf] [代码]
ICLR 2021
- 刘璐、周天翼、龙国栋、蒋静、董宣毅、张成奇。“用于广义零样本学习的等距传播网络。” [pdf]
ECCV 2020
- TF-vaegan: Sanath Narayan* , Akshita Gupta* , Fahad Shahbaz Khan, Cees G. M. Snoek, Ling Shao. “潜在嵌入反馈与判别特征用于零样本分类。” ECCV (2020). [pdf] [代码].
- LsrGAN: Maunil R Vyas, Hemanth Venkateswara, and Sethuraman Panchanathan. “利用已见与未见语义关系进行生成式零样本学习。” ECCV (2020). [pdf].
- 陈星宇、兰旭光、孙富春和郑南宁。“基于边界的一类外分布分类器用于广义零样本学习。” ECCV (2020). [pdf].
- “区域图嵌入网络用于零样本学习。” ECCV SPOTLIGHT(2020). [pdf].
ICLR 2020
- 特里斯坦·西尔万、琳达·佩特里尼、德文·赫尔姆。“零样本学习中的局部性和组合性。” ICLR (2020). [pdf].
NeurIPS 2019
- VSC: 万子宇、陈东东、李岩、闫兴光、张军格、于亦舟、廖晶。“带有视觉结构约束的转导式零样本学习。” NeurIPS (2019). [pdf] [代码].
- 柳贤宇、李宝熙。“通过同时生成与学习实现零样本学习。” NeurIPS (2019). [pdf].
- 倪坚、张尚航、谢海勇。“用于广义零样本学习的双重对抗语义一致性网络。” NeurIPS (2019). [pdf].
- SGMA: 朱一哲、谢建文、唐志强、彭曦、艾哈迈德·埃尔加马尔。NeurIPS (2019). [pdf]
ICCV 2019
- CIZSL: 穆罕默德·埃尔霍赛尼、穆罕默德·埃尔菲基。“受创造力启发的零样本学习。” ICCV (2019). [pdf] [代码]
- LFGAA+SA: 刘洋、郭继顺、蔡登、何小飞。“零样本学习中用于语义消歧的属性注意力。” ICCV (2019). [pdf] [代码]
- TCN: 蒋华杰、王瑞平、单士光、陈希林。“用于广义零样本学习的可迁移对比网络。” ICCV (2019). [pdf]
- GXE: 李凯、闵仁强和傅云。“重新思考零样本学习：从条件视觉分类的角度出发。” ICCV (2019). [pdf]
- 朱一哲1、谢建文、刘炳辰、艾哈迈德·埃尔加马尔。“通过交替反向传播学习特征到特征的转换器，用于生成式零样本学习。” ICCV (2019). [pdf] [代码]
- 扬尼克·勒卡修、埃尔韦·勒博涅、米歇尔·克鲁西亚努“在三元组损失中建模零样本学习中的类间与类内关系。” ICCV (2019). [pdf]
CVPR 2019
- CADA-VAE: Edgar Schönfeld, Sayna Ebrahimi, Samarth Sinha, Trevor Darrell, Zeynep Akata. “通过对齐变分自编码器实现广义零样本和少样本学习”。CVPR（2019）。[pdf] [代码]
- GDAN: He Huang, Changhu Wang, Philip S. Yu, Chang-Dong Wang. “用于广义零样本学习的生成式双重对抗网络”。CVPR（2019）。[pdf] [代码]
- DeML: Binghui Chen, Weihong Deng. “基于混合注意力解耦度量学习的零样本图像检索”。CVPR（2019）。[pdf] [代码]
- Gzsl-VSE: Pengkai Zhu, Hanxiao Wang, Venkatesh Saligrama. “基于视觉语义嵌入的广义零样本识别”。CVPR（2019）。[pdf]
- LisGAN: Jingjing Li, Mengmeng Jin, Ke Lu, Zhengming Ding, Lei Zhu, Zi Huang. “利用生成式零样本学习中的不变性特征”。CVPR（2019）。[pdf] [代码]
- DGP: Michael Kampffmeyer, Yinbo Chen, Xiaodan Liang, Hao Wang, Yujia Zhang, Eric P. Xing. “重新思考知识图谱传播在零样本学习中的应用”。CVPR（2019）。[pdf] [代码]
- DAZL: Yuval Atzmon, Gal Chechik. “领域感知的广义零样本学习”。CVPR（2019）。[pdf]
- PrEN: Meng Ye, Yuhong Guo. “用于零样本识别的渐进式集成网络”。CVPR（2019）。[pdf]
- Tristan Hascoet, Yasuo Ariki, Tetsuya Takiguchi. “关于通用物体的零样本学习”。CVPR（2019）。[pdf] [代码]
- SABR-T: Akanksha Paul, Naraynan C Krishnan, Prateek Munjal. “语义对齐的偏置减少零样本学习”。CVPR（2019）。[pdf]
- AREN: Guo-Sen Xie, Li Liu, Xiaobo Jin, Fan Zhu, Zheng Zhang, Jie Qin, Yazhou Yao, Ling Shao. “用于零样本学习的注意力区域嵌入网络”。CVPR（2019）。[pdf] [代码]
- Zhengming Ding, Hongfu Liu. “用于零样本学习的边缘化潜在语义编码器”。CVPR（2019）。[pdf]
- PQZSL: Jin Li, Xuguang Lan, Yang Liu, Le Wang, Nanning Zheng. “使用乘积量化器压缩未知类别以实现高效的零样本分类”。CVPR（2019）。[pdf]
- Mert Bulent Sariyildiz, Ramazan Gokberk Cinbis. “用于零样本学习的梯度匹配生成网络”。CVPR（2019）。[pdf]
- Bin Tong, Chao Wang, Martin Klinkigt, Yoshiyuki Kobayashi, Yuuichi Nonaka. “用于零样本学习的判别性潜在特征的层次化解耦”。CVPR（2019）。[pdf]
NeurIPS 2018
- DCN: Shichen Liu, Mingsheng Long, Jianmin Wang, Michael I. Jordan.“利用深度校准网络实现广义零样本学习” NeurIPS（2018）。[pdf]
- S2GA: Yunlong Yu, Zhong Ji, Yanwei Fu, Jichang Guo, Yanwei Pang, Zhongfei (Mark) Zhang.“用于细粒度零样本学习的堆叠语义引导注意力模型”。NeurIPS（2018）。[pdf]
- DIPL: An Zhao, Mingyu Ding, Jiechao Guan, Zhiwu Lu, Tao Xiang, Ji-Rong Wen“用于零样本识别的领域不变投影学习”。NeurIPS（2018）。[pdf]
ECCV 2018
- SZSL: Jie Song, Chengchao Shen, Jie Lei, An-Xiang Zeng, Kairi Ou, Dacheng Tao, Mingli Song. “基于增强属性的选择性零样本分类”。ECCV（2018）。[pdf]
- LCP-SA: Huajie Jiang, Ruiping Wang, Shiguang Shan, Xilin Chen. “通过结构对齐学习类原型以实现零样本识别”。ECCV（2018）。[pdf]
- MC-ZSL: Rafael Felix, Vijay Kumar B. G., Ian Reid, Gustavo Carneiro. “多模态循环一致的广义零样本学习”。ECCV（2018）。[pdf] [代码]
CVPR 2018
- GCN: 王小龙、叶宇飞、阿比纳夫·古普塔。“基于语义嵌入和知识图谱的零样本识别”。CVPR（2018）。[pdf] [代码]
- PSR: 亚沙斯·安纳达尼、索玛·比斯瓦斯。“为零样本学习保留语义关系”。CVPR（2018）。[pdf]
- GAN-NT: 朱一哲、穆罕默德·埃尔霍赛尼、刘冰辰、彭曦、艾哈迈德·埃尔加马尔。“一种基于生成对抗网络的、从噪声文本中进行零样本学习的方法”。CVPR（2018）。[pdf]
- TUE: 宋杰、沈成超、杨业洲、刘洋、宋明利。“用于零样本学习的直推式无偏嵌入”。CVPR（2018）。[pdf]
- SP-AEN: 陈龙、张汉旺、肖俊、刘伟、施福昌。“使用语义保持对抗嵌入网络的零样本视觉识别”。CVPR（2018）。[pdf] [代码]
- ML-SKG: 李忠伟、方威、叶志宽、王宇彰。“基于结构化知识图谱的多标签零样本学习”。CVPR（2018）。[pdf] [项目]
- GZSL-SE: 文奈·库马尔·维尔马、贡迪普·阿罗拉、阿希什·米什拉、皮尤什·赖。“通过合成样例进行广义零样本学习”。CVPR（2018）。[pdf]
- FGN: 西安永钦、托比亚斯·洛伦茨、伯恩特·席勒、泽伊内普·阿卡塔。“用于零样本学习的特征生成网络”。CVPR（2018）。[pdf] [代码] [项目]
- LDF: 李燕、张军格、张建国、黄凯奇。“用于零样本识别的潜在特征判别性学习”。CVPR（2018）。[pdf]
- WSL: 牛丽、阿肖克·维拉拉加万和阿舒·萨巴瓦尔。“网络监督学习与零样本学习的结合：一种细粒度分类的混合方法”。CVPR（2018）。[pdf]
TPAMI 2018
AAAI 2018, 2017
- GANZrl: 彭斌、马丁·克林基特、陈俊文、崔宪坤、孔权、村上友和、小林义幸。“带有语义增强的对抗式零样本学习”。AAAI（2018）。[pdf]
- JDZsL: 索黑尔·科卢里、穆罕默德·罗斯塔米、尤里·欧韦奇科、金京南。“用于零样本学习的联合字典”。AAAI（2018）。[pdf]
- VZSL: 王文林、蒲云晨、文奈·库马尔·维尔马、范凯、张亦哲、陈昌佑、皮尤什·赖、劳伦斯·卡林。“通过类别条件深度生成模型进行零样本学习”。AAAI（2018）。[pdf]
- AS: 郭宇晨、丁贵光、韩俊功、唐盛。“基于属性选择的零样本学习”。AAAI（2018）。[pdf]
- DSSC: 李燕、贾珍、张军格、黄凯奇、谭天牛。“用于零样本学习的深层语义结构约束”。AAAI（2018）。[pdf]
- ZsRDA: 杨龙、刘莉、申玉明、邵玲。“迈向经济实惠的语义搜索：基于主导属性的零样本检索”。AAAI（2018）。[pdf]
- DCL: 郭宇晨、丁贵光、韩俊功、高悦。“通过迁移样本和伪标签进行直接分类器学习实现零样本识别”。AAAI（2017）。[pdf]
ICCV 2017
- A2C: 贝尔坎·德米雷尔、拉马赞·戈克贝尔克·琴比斯、纳兹莉·伊基兹勒-琴比斯。“Attributes2Classname：一种基于属性的无监督零样本学习判别模型”。ICCV（2017）。[pdf] [代码]
- PVE: 索拉维特·昌皮尼奥、魏伦·赵、费莎。“为零样本学习预测未见类别的视觉示例”。ICCV（2017）。[pdf][代码]
- LDL: 江华杰、王瑞平、单世光、杨毅、陈锡林。“为零样本分类学习判别性潜在属性”。ICCV（2017）。[pdf]]
CVPR 2017
- Deep-SCoRe: Pedro Morgado、Nuno Vasconcelos。“用于零样本识别的语义一致性正则化”。CVPR（2017）。[pdf] [代码]
- DEM: Li Zhang、Tao Xiang、Shaogang Gong。“学习用于零样本学习的深度嵌入模型”。CVPR（2017）。[pdf] [代码]
- VDS: Yang Long、Li Liu、Ling Shao、Fumin Shen、Guiguang Ding、Jungong Han。“从零样本学习到传统监督分类：未见视觉数据合成”。CVPR（2017）。[pdf]
- ESD: Zhengming Ding、Ming Shao、Yun Fu。“用于零样本学习的低秩嵌入集成语义词典”。CVPR（2017）。[pdf]
- SAE: Elyor Kodirov、Tao Xiang、Shaogang Gong。“用于零样本学习的语义自编码器”。CVPR（2017）。[pdf] [代码]
- DVSM: Yanan Li、Donghui Wang、Huanhang Hu、Yuetan Lin、Yueting Zhuang。“使用双重视觉—语义映射路径的零样本识别”。CVPR（2017）。[pdf]
- MTF-MR: Xing Xu、Fumin Shen、Yang Yang、Dongxiang Zhang、Heng Tao Shen、Jingkuan Song。“流形正则化的矩阵三因子分解用于零样本学习”。CVPR（2017）。[pdf]
- Nour Karessli、Zeynep Akata、Bernt Schiele、Andreas Bulling。“用于零样本图像分类的眼动嵌入”。CVPR（2017）。[pdf] [代码]
- GUB: Yongqin Xian、Bernt Schiele、Zeynep Akata。“零样本学习——好的、坏的与丑陋的”。CVPR（2017）。 [pdf] [代码]
CVPR 2016
- MC-ZSL: Zeynep Akata、Mateusz Malinowski、Mario Fritz、Bernt Schiele。“具有强监督的多线索零样本学习”。CVPR（2016）。[pdf] [代码]
- LATEM: Yongqin Xian、Zeynep Akata、Gaurav Sharma、Quynh Nguyen、Matthias Hein、Bernt Schiele。“用于零样本分类的潜在嵌入”。CVPR（2016）。[pdf][代码]
- LIM: Ruizhi Qiao、Lingqiao Liu、Chunhua Shen、Anton van den Hengel。“少即是多：通过抑制噪声从在线文本文档中进行零样本学习”。CVPR（2016）。[pdf]
- SYNC: Soravit Changpinyo、Wei-Lun Chao、Boqing Gong、Fei Sha。“用于零样本学习的合成分类器”。CVPR（2016）。[pdf][代码]
- RML: Ziad Al-Halah、Makarand Tapaswi、Rainer Stiefelhagen。“找回缺失的环节：预测类—属性关联以实现无监督零样本学习”。CVPR（2016）。[pdf]
- SLE: Ziming Zhang、Venkatesh Saligrama。“通过联合潜在相似性嵌入进行零样本学习”。CVPR（2016）。[pdf] [代码]
ECCV 2016
- Wei-Lun Chao、Soravit Changpinyo、Boqing Gong2、Fei Sha。“针对野外目标识别的广义零样本学习的实证研究与分析”。ECCV（2016）。[pdf]
- MTE: Xun Xu、Timothy M. Hospedales、Shaogang Gong。“具有优先级数据增强的多任务零样本动作识别”。ECCV（2016）。[pdf]
- Ziming Zhang、Venkatesh Saligrama。“通过结构化预测进行零样本识别”。ECCV（2016）。[pdf]
- Maxime Bucher、Stephane Herbin、Frederic Jurie。“通过度量学习提高语义嵌入一致性，用于零样本分类”。ECCV（2016）。[pdf]
AAAI 2016
- RKT: Donghui Wang、Yanan Li、Yuetan Lin、Yueting Zhuang。“零样本学习中的关系知识迁移”。AAAI（2016）。[pdf]
TPAMI 2016、2015、2013
- ALE: Zeynep Akata、Florent Perronnin、Zaid Harchaoui和Cordelia Schmid。“用于图像分类的标签嵌入”。TPAMI（2016）。[pdf]
- TMV: Yanwei Fu、Timothy M. Hospedales、Tao Xiang、Shaogang Gong。“转导式多视图零样本学习”。TPAMI（2015）[pdf] [代码]
- DAP: Christoph H. Lampert、Hannes Nickisch和Stefan Harmeling。“基于属性的分类用于零样本视觉对象分类”。TPAMI（2013）[pdf]
CVPR 2015
- SJE: Zeynep Akata、Scott Reed、Daniel Walter、Honglak Lee、Bernt Schiele。“细粒度图像分类中输出嵌入的评估”。CVPR（2015）。[pdf] [代码]
- Zhenyong Fu、Tao Xiang、Elyor Kodirov、Shaogang Gong。“基于语义流形距离的零样本目标识别”。CVPR（2015）。[pdf]
ICCV 2015
- SSE: 张子明、文卡特什·萨利格拉玛。“基于语义相似性嵌入的零样本学习”。ICCV（2015）。[pdf] [代码]
- LRL: 李欣、郭宇红、戴尔·舒尔曼斯。“基于标签表示学习的半监督零样本分类”。ICCV（2015）。[pdf]
- UDA: 埃廖尔·科迪罗夫、汤姆·湘、傅振勇、龚绍刚。“用于零样本学习的无监督域适应”。ICCV（2015）。[pdf]
- 吉米·雷·巴、凯文·斯韦尔斯基、桑雅·菲德勒、鲁斯兰·萨拉胡丁诺夫。“利用文本描述预测深度零样本卷积神经网络”。ICCV（2015）。[pdf]
NIPS 2014、2013、2009
- 迪内什·贾伊拉姆、克里斯汀·格劳曼。“基于不可靠属性的零样本识别” NIPS（2014）[pdf]
- CMT: 理查德·索彻、米林德·甘朱、克里斯托弗·D·曼宁、安德鲁·Y·吴。“通过跨模态迁移实现零样本学习” NIPS（2013）[pdf] [代码]
- DeViSE: 安德烈娅·弗罗姆、格雷格·S·科拉多、乔纳森·施伦斯、萨米·本吉奥、杰弗里·迪恩、马克·奥雷利奥·兰扎托、托马斯·米科洛夫。“DeViSE：一种深度视觉-语义嵌入模型” NIPS（2013）[pdf]
- 马克·帕拉图奇、迪恩·波默劳、杰弗里·辛顿、汤姆·M·米切尔。“基于语义输出编码的零样本学习” NIPS（2009）[pdf]
ECCV 2014
- TMV-BLP: 傅燕伟、蒂莫西·M·霍斯佩达莱斯、汤姆·湘、傅振勇、龚绍刚。“用于零样本识别与标注的直推式多视图嵌入” ECCV（2014）。[pdf] [代码]
- 斯塔尼斯瓦夫·安托尔、拉里·齐特尼克、黛薇·帕里克。“基于视觉抽象的零样本学习”。ECCV（2014）。[pdf] [代码] [项目]
CVPR 2013
- ALE: Z.阿卡塔、F.佩罗宁、Z.哈尔乔伊和C.施密德。“用于基于属性分类的标签嵌入”。CVPR（2013）。[pdf]
其他论文
- EsZSL: 贝尔纳迪诺·罗梅拉-帕雷德斯、菲利普·H·S·托尔。“一种极其简单的零样本学习方法”。ICML（2015）。[pdf] [代码]
- AEZSL: “通过类别特定的视觉-语义映射和标签精炼实现零样本学习” IEEE SPS（2018）。[pdf]
- ZSGD: 赵天成、马克西娜·埃斯肯纳齐。“基于跨领域潜在动作的零样本对话生成” SIGDIAL（2018）。[pdf] [代码]
- 傅燕伟、汤姆·湘、蒋宇刚、薛向阳、列昂尼德·西格尔、龚绍刚“零样本识别的最新进展”。IEEE信号处理杂志。[pdf]
- 迈克尔·坎普夫迈耶、尹博·陈、梁晓丹、王浩、张宇佳、埃里克·P·邢“重新思考知识图谱传播在零样本学习中的应用” arXiv（2018）。[pdf] [代码]
- 综述: 王伟、郑文威、于汉、苗春燕。“零样本学习的综述：设置、方法与应用”。TIST（2019）。[pdf]
数据集
- LAD: 大规模属性数据集。类别：230。[链接]
- CUB: 加州理工学院-加州大学圣地亚哥分校鸟类数据集。类别：200。[链接]
- AWA2: 具有属性的动物数据集。类别：50。[链接]
- aPY: Pascal和Yahoo的属性数据集。类别：32[链接]
- 花卉数据集: 有两个数据集，类别分别为17和102。[链接]
- SUN: 场景属性数据集。类别：717。[链接]
- HMDB51 ：大型人体动作数据库。类别：51[链接]
- UCF101 ：一个真实动作视频的动作图像识别数据集，收集自YouTube。类别：101[链接]
入门代码
该仓库包含一个Demo文件夹，其中有一个Jupyter Notebook，逐步展示了“一种极其简单的零样本学习方法”。ICML（2015）。这可以作为入门代码，帮助理解零样本学习的基本概念。
其他资源
- https://medium.com/@alitech_2017/from-zero-to-hero-shaking-up-the-field-of-zero-shot-learning-c43208f71332
- https://www.analyticsindiamag.com/what-is-zero-shot-learning/
- https://medium.com/@cetinsamet/zero-shot-learning-53080995d45f
- https://amitness.com/2020/05/zero-shot-text-classification/
许可证
相似工具推荐
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
NextChat
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。 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。 NextChat 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。
ML-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。 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。
ragflow
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。 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。 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。