[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-swz30--MPRNet":3,"tool-swz30--MPRNet":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"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":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":10,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":110,"github_topics":111,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":124,"updated_at":125,"faqs":126,"releases":157},5670,"swz30\u002FMPRNet","MPRNet","[CVPR 2021] Multi-Stage Progressive Image Restoration. SOTA results for Image deblurring, deraining, and denoising.","MPRNet 是一款专为图像复原打造的深度学习模型，曾荣获 CVPR 2021 最佳论文提名。它主要解决照片因运动模糊、雨水遮挡或高噪点导致的画质受损问题，能够智能地将模糊、杂乱的照片恢复为清晰锐利的高质量图像。\n\n这款工具特别适合计算机视觉领域的研究人员、算法开发者以及需要处理大量退化图像的专业设计师使用。由于项目基于 PyTorch 框架开源了完整代码与预训练模型，具备一定编程基础的用户可以轻松将其集成到自己的工作流中进行二次开发或批量处理。\n\nMPRNet 的核心亮点在于其独特的“多阶段渐进式”架构。不同于传统方法试图一步到位，它将复杂的复原过程拆解为多个易于管理的步骤，逐步优化图像质量。模型巧妙地结合了提取全局上下文信息的编码器 - 解码器结构与保留局部细节的高分辨率分支，并引入了创新的“监督注意力模块”。该模块能自适应地重新加权局部特征，确保在不同处理阶段间高效交换信息，既保留了丰富的纹理细节，又精准去除了干扰噪声。在 Rain100L、GoPro 等多个权威数据集上，MPRNet 均取得了超越当时最先进水平的性能表现，是图像去雨、去模糊和去噪任务中的强力工具。","\n\n# Multi-Stage Progressive Image Restoration (CVPR 2021)\n\n[Syed Waqas Zamir](https:\u002F\u002Fscholar.google.ae\u002Fcitations?hl=en&user=POoai-QAAAAJ), [Aditya Arora](https:\u002F\u002Fadityac8.github.io\u002F), [Salman Khan](https:\u002F\u002Fsalman-h-khan.github.io\u002F), [Munawar Hayat](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Mx8MbWYAAAAJ&hl=en), [Fahad Shahbaz Khan](https:\u002F\u002Fscholar.google.es\u002Fcitations?user=zvaeYnUAAAAJ&hl=en), [Ming-Hsuan Yang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=p9-ohHsAAAAJ&hl=en), and [Ling Shao](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=z84rLjoAAAAJ&hl=en)\n\n[![paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-brightgreen)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.02808)\n[![supplement](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSupplementary-Material-B85252)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1mbfljawUuFUQN9V5g0Rmw1UdauJdckCu\u002Fview?usp=sharing)\n[![video](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVideo-Presentation-F9D371)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0SMTPiLw5Vw)\n[![slides](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPresentation-Slides-B762C1)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1-L43wj-VTppkrR9AL6cPBJI2RJi3Hc_z\u002Fview?usp=sharing)\n\n\u003Chr \u002F>\n\n### News\n\nWe are happy to see that our work has inspired the **Winning Solutions in NTIRE 2021 challenges**:\n- [Dual-pixel Defocus Deblurring Challenge](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2021W\u002FNTIRE\u002Fpapers\u002FAbuolaim_NTIRE_2021_Challenge_for_Defocus_Deblurring_Using_Dual-Pixel_Images_Methods_CVPRW_2021_paper.pdf) -- MRNet: Multi Refinement Network for Dual-pixel Images Defocus Deblurring\n- [Image Deblurring Challenge](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2021W\u002FNTIRE\u002Fpapers\u002FNah_NTIRE_2021_Challenge_on_Image_Deblurring_CVPRW_2021_paper.pdf) -- HINet: Half Instance Normalization Network for Image Restoration\n\n\u003Chr \u002F>\n\n> **Abstract:** *Image restoration tasks demand a complex balance between spatial details and high-level contextualized information while recovering images. In this paper, we propose a novel synergistic design that can optimally balance these competing goals. Our main proposal is a multi-stage architecture, that progressively learns restoration functions for the degraded inputs, thereby breaking down the overall recovery process into more manageable steps. Specifically, our model first learns the contextualized features using encoder-decoder architectures and later combines them with a high-resolution branch that retains local information. At each stage, we introduce a novel per-pixel adaptive design that leverages in-situ supervised attention to reweight the local features. A key ingredient in such a multi-stage architecture is the information exchange between different stages. To this end, we propose a two-faceted approach where the information is not only exchanged sequentially from early to late stages, but lateral connections between feature processing blocks also exist to avoid any loss of information. The resulting tightly interlinked multi-stage architecture, named as MPRNet, delivers strong performance gains on ten datasets across a range of tasks including image deraining, deblurring, and denoising. For example, on the Rain100L, GoPro and DND datasets, we obtain PSNR gains of 4 dB, 0.81 dB and 0.21 dB, respectively, compared to the state-of-the-art.* \n\n## Network Architecture\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002F69c0pQv.png\" width=\"500\"> \u003C\u002Ftd>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FJJAKXOi.png\" width=\"400\"> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>Overall Framework of MPRNet\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd>\u003Cp align=\"center\"> \u003Cb>Supervised Attention Module (SAM)\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## Installation\nThe model is built in PyTorch 1.1.0 and tested on Ubuntu 16.04 environment (Python3.7, CUDA9.0, cuDNN7.5).\n\nFor installing, follow these intructions\n```\nconda create -n pytorch1 python=3.7\nconda activate pytorch1\nconda install pytorch=1.1 torchvision=0.3 cudatoolkit=9.0 -c pytorch\npip install matplotlib scikit-image opencv-python yacs joblib natsort h5py tqdm\n```\n\nInstall warmup scheduler\n\n```\ncd pytorch-gradual-warmup-lr; python setup.py install; cd ..\n```\n\n## Quick Run\n\nTo test the pre-trained models of [Deblurring](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1QwQUVbk6YVOJViCsOKYNykCsdJSVGRtb\u002Fview?usp=sharing), [Deraining](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1O3WEJbcat7eTY6doXWeorAbQ1l_WmMnM\u002Fview?usp=sharing), [Denoising](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1LODPt9kYmxwU98g96UrRA0_Eh5HYcsRw\u002Fview?usp=sharing) on your own images, run \n```\npython demo.py --task Task_Name --input_dir path_to_images --result_dir save_images_here\n```\nHere is an example to perform Deblurring:\n```\npython demo.py --task Deblurring --input_dir .\u002Fsamples\u002Finput\u002F --result_dir .\u002Fsamples\u002Foutput\u002F\n```\n\n## Training and Evaluation\n\nTraining and Testing codes for deblurring, deraining and denoising are provided in their respective directories.\n\n## Results\nExperiments are performed for different image processing tasks including, image deblurring, image deraining and image denoising. Images produced by MPRNet can be downloaded from Google Drive links: [Deblurring](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F12jgrGdIh_lfiSsXyo-QicQuZYcLXp9rP?usp=sharing), [Deraining](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1IpF_jCGBhqsXN4f1vBNQ6DGpr7Pk6LdO?usp=sharing), and [Denoising](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1usbZKuYg8c7UrUml2bdZSbuxh_JrHW67?usp=sharing).\n\n\u003Cdetails>\n  \u003Csummary> \u003Cstrong>Image Deblurring\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FUIwmY13.png\" width=\"450\"> \u003C\u002Ftd>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FecSlcEo.png\" width=\"450\"> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>Deblurring on Synthetic Datasets.\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>Deblurring on Real Dataset.\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\u003C\u002Fdetails>\n\n\u003Cdetails>\n  \u003Csummary> \u003Cstrong>Image Deraining\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FYVXWRJT.png\" width=\"900\">\u003C\u002Fdetails>\n\n\u003Cdetails>\n  \u003Csummary> \u003Cstrong>Image Denoising\u003C\u002Fstrong> (click to expand) \u003C\u002Fsummary>\n\u003Cp align=\"center\"> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FWssu6Xu.png\" width=\"450\"> \u003C\u002Fp>\u003C\u002Fdetails>\n\n## Citation\nIf you use MPRNet, please consider citing:\n\n    @inproceedings{Zamir2021MPRNet,\n        title={Multi-Stage Progressive Image Restoration},\n        author={Syed Waqas Zamir and Aditya Arora and Salman Khan and Munawar Hayat\n                and Fahad Shahbaz Khan and Ming-Hsuan Yang and Ling Shao},\n        booktitle={CVPR},\n        year={2021}\n    }\n\n## Contact\nShould you have any question, please contact waqas.zamir@inceptioniai.org\n\n## Our Related Works\n- Learning Enriched Features for Fast Image Restoration and Enhancement, TPAMI 2022. [Paper](https:\u002F\u002Fwww.waqaszamir.com\u002Fpublication\u002Fzamir-2022-mirnetv2\u002F) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNetv2)\n- Restormer: Efficient Transformer for High-Resolution Image Restoration, CVPR 2022. [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.09881) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer)\n- Learning Enriched Features for Real Image Restoration and Enhancement, ECCV 2020. [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06792) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNet)\n- CycleISP: Real Image Restoration via Improved Data Synthesis, CVPR 2020. [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07761) | [Code](https:\u002F\u002Fgithub.com\u002Fswz30\u002FCycleISP)\n","# 多阶段渐进式图像恢复（CVPR 2021）\n\n[Syed Waqas Zamir](https:\u002F\u002Fscholar.google.ae\u002Fcitations?hl=en&user=POoai-QAAAAJ)、[Aditya Arora](https:\u002F\u002Fadityac8.github.io\u002F)、[Salman Khan](https:\u002F\u002Fsalman-h-khan.github.io\u002F)、[Munawar Hayat](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Mx8MbWYAAAAJ&hl=en)、[Fahad Shahbaz Khan](https:\u002F\u002Fscholar.google.es\u002Fcitations?user=zvaeYnUAAAAJ&hl=en)、[Ming-Hsuan Yang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=p9-ohHsAAAAJ&hl=en)，以及 [Ling Shao](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=z84rLjoAAAAJ&hl=en)\n\n[![paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-brightgreen)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.02808)\n[![supplement](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSupplementary-Material-B85252)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1mbfljawUuFUQN9V5g0Rmw1UdauJdckCu\u002Fview?usp=sharing)\n[![video](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVideo-Presentation-F9D371)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0SMTPiLw5Vw)\n[![slides](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPresentation-Slides-B762C1)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1-L43wj-VTppkrR9AL6cPBJI2RJi3Hc_z\u002Fview?usp=sharing)\n\n\u003Chr \u002F>\n\n### 新闻\n\n我们很高兴地看到，我们的工作启发了 **NTIRE 2021 挑战赛的获奖方案**：\n- [双像素散焦去模糊挑战赛](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2021W\u002FNTIRE\u002Fpapers\u002FAbuolaim_NTIRE_2021_Challenge_for_Defocus_Deblurring_Using_Dual-Pixel_Images_Methods_CVPRW_2021_paper.pdf) -- MRNet：用于双像素图像散焦去模糊的多级细化网络\n- [图像去模糊挑战赛](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2021W\u002FNTIRE\u002Fpapers\u002FNah_NTIRE_2021_Challenge_on_Image_Deblurring_CVPRW_2021_paper.pdf) -- HINet：用于图像恢复的半实例归一化网络\n\n\u003Chr \u002F>\n\n> **摘要：** *图像恢复任务在重建图像时，需要在空间细节与高层次上下文信息之间取得复杂的平衡。本文提出了一种新颖的协同设计，能够最优地平衡这些相互竞争的目标。我们的主要方案是一种多阶段架构，逐步学习对退化输入的恢复函数，从而将整个恢复过程分解为更易于管理的步骤。具体而言，我们的模型首先使用编码器-解码器架构学习上下文特征，随后将其与保留局部信息的高分辨率分支相结合。在每个阶段，我们引入了一种新颖的逐像素自适应设计，利用原位监督注意力机制重新加权局部特征。这种多阶段架构的关键在于不同阶段之间的信息交换。为此，我们提出了一种双管齐下的方法：信息不仅按顺序从早期阶段传递到晚期阶段，还在特征处理模块之间建立了横向连接，以避免任何信息丢失。由此产生的紧密互联的多阶段架构被称为 MPRNet，在包括图像去雨、去模糊和去噪在内的多种任务的十个数据集上均表现出显著的性能提升。例如，在 Rain100L、GoPro 和 DND 数据集上，与当前最先进方法相比，PSNR 分别提高了 4 dB、0.81 dB 和 0.21 dB。*\n\n## 网络架构\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002F69c0pQv.png\" width=\"500\"> \u003C\u002Ftd>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FJJAKXOi.png\" width=\"400\"> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>MPRNet 总体框架\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd>\u003Cp align=\"center\"> \u003Cb>监督注意力模块（SAM）\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## 安装\n该模型基于 PyTorch 1.1.0 构建，并在 Ubuntu 16.04 环境中进行了测试（Python 3.7、CUDA 9.0、cuDNN 7.5）。\n\n安装步骤如下：\n```\nconda create -n pytorch1 python=3.7\nconda activate pytorch1\nconda install pytorch=1.1 torchvision=0.3 cudatoolkit=9.0 -c pytorch\npip install matplotlib scikit-image opencv-python yacs joblib natsort h5py tqdm\n```\n\n安装预热调度器：\n\n```\ncd pytorch-gradual-warmup-lr; python setup.py install; cd ..\n```\n\n## 快速运行\n\n要测试针对您自己的图像的预训练模型（[去模糊](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1QwQUVbk6YVOJViCsOKYNykCsdJSVGRtb\u002Fview?usp=sharing)、[去雨](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1O3WEJbcat7eTY6doXWeorAbQ1l_WmMnM\u002Fview?usp=sharing)、[去噪](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1LODPt9kYmxwU98g96UrRA0_Eh5HYcsRw\u002Fview?usp=sharing)），请运行：\n```\npython demo.py --task 任务名称 --input_dir 图像路径 --result_dir 保存结果路径\n```\n以下是一个去模糊示例：\n```\npython demo.py --task Deblurring --input_dir .\u002Fsamples\u002Finput\u002F --result_dir .\u002Fsamples\u002Foutput\u002F\n```\n\n## 训练与评估\n\n去模糊、去雨和去噪的训练与测试代码分别位于各自的目录中。\n\n## 结果\n实验针对不同的图像处理任务进行，包括图像去模糊、去雨和去噪。MPRNet 生成的图像可从 Google Drive 链接下载：[去模糊](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F12jgrGdIh_lfiSsXyo-QicQuZYcLXp9rP?usp=sharing)、[去雨](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1IpF_jCGBhqsXN4f1vBNQ6DGpr7Pk6LdO?usp=sharing)，以及 [去噪](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1usbZKuYg8c7UrUml2bdZSbuxh_JrHW67?usp=sharing)。\n\n\u003Cdetails>\n  \u003Csummary> \u003Cstrong>图像去模糊\u003C\u002Fstrong>（点击展开） \u003C\u002Fsummary>\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FUIwmY13.png\" width=\"450\"> \u003C\u002Ftd>\n    \u003Ctd> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FecSlcEo.png\" width=\"450\"> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>合成数据集上的去模糊。\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd>\u003Cp align=\"center\">\u003Cb>真实数据集上的去模糊。\u003C\u002Fb>\u003C\u002Fp>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\u003C\u002Fdetails>\n\n\u003Cdetails>\n  \u003Csummary> \u003Cstrong>图像去雨\u003C\u002Fstrong>（点击展开） \u003C\u002Fsummary>\n\u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FYVXWRJT.png\" width=\"900\">\u003C\u002Fdetails>\n\n\u003Cdetails>\n  \u003Csummary> \u003Cstrong>图像去噪\u003C\u002Fstrong>（点击展开） \u003C\u002Fsummary>\n\u003Cp align=\"center\"> \u003Cimg src = \"https:\u002F\u002Fi.imgur.com\u002FWssu6Xu.png\" width=\"450\"> \u003C\u002Fp>\u003C\u002Fdetails>\n\n## 引用\n如果您使用 MPRNet，请考虑引用以下内容：\n\n    @inproceedings{Zamir2021MPRNet,\n        title={Multi-Stage Progressive Image Restoration},\n        author={Syed Waqas Zamir and Aditya Arora and Salman Khan and Munawar Hayat\n                and Fahad Shahbaz Khan and Ming-Hsuan Yang and Ling Shao},\n        booktitle={CVPR},\n        year={2021}\n    }\n\n## 联系方式\n如有任何问题，请联系 waqas.zamir@inceptioniai.org\n\n## 我们的相关工作\n- 用于快速图像恢复与增强的特征增强学习，TPAMI 2022。[论文](https:\u002F\u002Fwww.waqaszamir.com\u002Fpublication\u002Fzamir-2022-mirnetv2\u002F) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNetv2)\n- Restormer：面向高分辨率图像恢复的高效Transformer，CVPR 2022。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.09881) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer)\n- 用于真实图像恢复与增强的特征增强学习，ECCV 2020。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06792) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FMIRNet)\n- CycleISP：通过改进的数据合成实现真实图像恢复，CVPR 2020。[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07761) | [代码](https:\u002F\u002Fgithub.com\u002Fswz30\u002FCycleISP)","# MPRNet 快速上手指南\n\nMPRNet (Multi-Stage Progressive Image Restoration) 是一个用于图像恢复（去模糊、去雨、去噪）的多阶段渐进式深度学习模型，发表于 CVPR 2021。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n- **操作系统**: Linux (推荐 Ubuntu 16.04+)\n- **Python**: 3.7\n- **PyTorch**: 1.1.0\n- **CUDA**: 9.0\n- **cuDNN**: 7.5\n\n> **注意**：该工具基于较旧的 PyTorch 版本构建。如果您使用更新的 GPU 或驱动，可能需要调整 CUDA 版本或尝试在新版 PyTorch 上复现（可能存在兼容性风险）。\n\n## 安装步骤\n\n### 1. 创建 Conda 环境并安装基础依赖\n\n```bash\nconda create -n pytorch1 python=3.7\nconda activate pytorch1\nconda install pytorch=1.1 torchvision=0.3 cudatoolkit=9.0 -c pytorch\n```\n\n*(国内用户推荐使用清华源加速安装)*\n```bash\nconda install pytorch=1.1 torchvision=0.3 cudatoolkit=9.0 -c pytorch -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F\n```\n\n### 2. 安装 Python 第三方库\n\n```bash\npip install matplotlib scikit-image opencv-python yacs joblib natsort h5py tqdm\n```\n\n*(国内用户推荐使用阿里源或清华源)*\n```bash\npip install matplotlib scikit-image opencv-python yacs joblib natsort h5py tqdm -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 安装预热学习率调度器 (Warmup Scheduler)\n\n克隆或进入 `pytorch-gradual-warmup-lr` 目录后执行：\n\n```bash\ncd pytorch-gradual-warmup-lr; python setup.py install; cd ..\n```\n\n## 基本使用\n\n下载预训练模型后，您可以直接使用 `demo.py` 对本地图片进行推理。支持的任务包括：**Deblurring** (去模糊), **Deraining** (去雨), **Denoising** (去噪)。\n\n### 命令格式\n\n```bash\npython demo.py --task Task_Name --input_dir path_to_images --result_dir save_images_here\n```\n\n### 使用示例：图像去模糊\n\n假设您已将去模糊的预训练模型放置好，并对 `.\u002Fsamples\u002Finput\u002F` 目录下的图片进行处理，结果保存至 `.\u002Fsamples\u002Foutput\u002F`：\n\n```bash\npython demo.py --task Deblurring --input_dir .\u002Fsamples\u002Finput\u002F --result_dir .\u002Fsamples\u002Foutput\u002F\n```\n\n只需将 `--task` 参数替换为 `Deraining` 或 `Denoising`，即可执行相应的图像恢复任务。","某安防监控团队正在处理一批因暴雨和夜间车辆快速移动导致严重模糊、噪点密集的道路抓拍图像，急需恢复车牌与人脸细节以协助案件侦破。\n\n### 没有 MPRNet 时\n- 传统去噪算法在去除雨纹和噪点时，往往将车牌边缘等高频细节一并抹除，导致字符无法辨认。\n- 单一阶段的修复模型难以同时平衡全局上下文（如整体光照）与局部纹理，修复后的图像常出现伪影或色彩失真。\n- 面对复合退化（同时存在运动模糊、雨水遮挡和高感光度噪点），需要串联多个独立工具处理，流程繁琐且误差累积严重。\n- 关键证据区域（如远处行人面部）恢复效果差，无法满足法医鉴定或人工复核的清晰度标准。\n\n### 使用 MPRNet 后\n- MPRNet 的多阶段渐进式架构能精准分离退化因素，在强力去雨去噪的同时，完整保留了车牌笔画等微小空间细节。\n- 其特有的监督注意力模块（SAM）动态重加权局部特征，有效协调了高层语义与底层纹理，消除了以往常见的色偏和块状伪影。\n- 单个模型即可端到端地解决去模糊、去雨和去噪的复合难题，大幅简化了预处理流水线，提升了批量处理效率。\n- 即使在极低信噪比的夜间场景中，MPRNet 也能还原出清晰的人脸轮廓与衣着特征，显著提高了线索可用性。\n\nMPRNet 通过多阶段协同机制，在复杂恶劣天气下实现了图像细节与整体质感的最优平衡，让模糊监控视频重新具备实战价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswz30_MPRNet_72dca42e.png","swz30","Syed Waqas Zamir","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fswz30_fe131d87.jpg","Senior Research Scientist @microsoft AI for Good Lab\r\n","Microsoft",null,"WaqasZamir.com","https:\u002F\u002Fgithub.com\u002Fswz30",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",92.8,{"name":86,"color":87,"percentage":88},"MATLAB","#e16737",7.2,1380,203,"2026-04-08T08:47:08","NOASSERTION","Linux","需要 NVIDIA GPU，CUDA 9.0+，cuDNN 7.5+（基于测试环境推断，具体显存需求未说明）","未说明",{"notes":97,"python":98,"dependencies":99},"该项目在 Ubuntu 16.04、Python 3.7、CUDA 9.0 和 cuDNN 7.5 环境下经过测试。安装时需要额外安装 'warmup scheduler'（pytorch-gradual-warmup-lr）。由于依赖较旧版本的 PyTorch (1.1.0) 和 CUDA (9.0)，在现代硬件上运行可能需要配置兼容的环境或修改代码以适配新版本框架。","3.7",[100,101,102,103,104,105,106,107,108,109],"pytorch==1.1.0","torchvision==0.3","matplotlib","scikit-image","opencv-python","yacs","joblib","natsort","h5py","tqdm",[15,14],[112,113,114,115,116,117,118,119,120,121,122,123],"image-deblurring","image-denoising","image-deraining","low-level-vision","computer-vision","image-restoration","multistage-network","progressive-restoration","pytorch","cvpr2021","cvpr21","cvpr-2021","2026-03-27T02:49:30.150509","2026-04-09T05:22:28.914169",[127,132,137,142,147,152],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},25721,"运行模型时遇到 'CUDA out of memory' (显存不足) 错误怎么办？","可以通过以下两种方法解决：\n1. **在 CPU 上运行**：如果不需要 GPU，可以从代码中移除 `.cuda()` 调用。具体需要修改 `Deblurring\u002Ftest.py` 文件的第 40 行和第 57 行，删除其中的 `cuda()`。\n2. **优化显存释放**：如果在推理模式（非训练）下显存仍然不足，可以在 `Deblurring\u002FMPRNet.py` 中手动释放中间变量。例如：\n   - 在第 309 行后添加：\n     ```python\n     if not self.training:\n         del stage1_img_top, stage1_img_bot, stage1_img, feat1_ltop, feat1_rtop, feat1_lbot, feat1_rbot, x1ltop, x1rtop, x1lbot, x1rbot\n         torch.cuda.empty_cache()\n     ```\n   - 在第 332 行后添加：\n     ```python\n     if not self.training:\n         del stage2_img, x2top, x2bot, x2top_cat, x2bot_cat, feat2_top, feat2_bot\n         torch.cuda.empty_cache()\n     ```\n   - 最后修改返回语句为：\n     ```python\n     return [stage3_img+x3_img] if not self.training else [stage3_img+x3_img, stage2_img, stage1_img]\n     ```","https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet\u002Fissues\u002F13",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},25722,"如何平衡训练时的 Patch Size (图像块大小) 和 Batch Size 以避免显存溢出？","显存占用与 Patch Size 和 Batch Size 直接相关。根据用户反馈，在 RTX 3090 (24G 显存) 上，默认设置可能导致溢出。建议尝试降低参数组合，例如使用 **Batch Size 16** 配合 **Patch Size 128**，并在双 GPU 环境下运行（每张卡约占用 15G 显存）。如果单卡运行，需进一步减小 Patch Size 或 Batch Size，直到显存占用在安全范围内。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet\u002Fissues\u002F63",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},25723,"训练去雨 (Deraining) 模型时报错 'stack expects each tensor to be equal size' 是什么原因？","该错误表明数据加载器读取到的图像尺寸不一致（例如一张是 229x256，另一张是 256x171），而 PyTorch 的 `stack` 操作要求所有张量尺寸必须相同。\n**解决方案**：在运行 `train.py` 之前，必须确保数据集中的所有图像（包括输入图和标签图）都已经预处理为**相同的分辨率**。你需要检查数据集生成脚本或手动调整图像尺寸，保证成对图像的尺寸完全一致。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet\u002Fissues\u002F16",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},25724,"如何复现论文中的 PSNR\u002FSSIM 评估结果？","评估流程分为两步：\n1. 首先运行 `test.py` 脚本生成模型的预测结果图像。\n2. 然后运行 MATLAB 脚本 `evaluate_GOPRO_HIDE.m` 来计算预测图像与真实图像之间的 PSNR 和 SSIM 指标。\n注意：评估脚本通常需要 MATLAB 环境。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet\u002Fissues\u002F52",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},25725,"提供的去模糊 (Deblurring) 预训练模型对应的网络参数配置是什么？","预训练模型通常对应论文中的特定架构配置。对于去模糊任务，主要涉及以下参数组合：\n- **配置 A**: `n_feat=40`, `scale_unetfeats=40`, `scale_orsnetfeats=32`\n- **配置 B**: `n_feat=96`, `scale_unetfeats=48`, `scale_orsnetfeats=32`\n在使用预训练权重时，请确保你的代码初始化参数与上述其中一组完全匹配，否则会导致权重加载失败或形状不匹配错误。大多数官方提供的预训练模型对应的是论文中表现最佳的配置（通常是参数量较大的那一组，具体需参考仓库发布的 Release 说明）。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet\u002Fissues\u002F55",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},25726,"训练时出现 'lr_scheduler.step() before optimizer.step()' 警告如何处理？","这是一个 PyTorch 版本兼容性警告。在 PyTorch 1.1.0 及更高版本中，学习率调度器 (`lr_scheduler`) 的步长更新必须在优化器 (`optimizer`) 更新之后调用。\n**解决方法**：检查 `train.py` 代码，找到调用 `scheduler.step()` 和 `optimizer.step()` 的位置，交换它们的顺序。确保代码逻辑如下：\n```python\noptimizer.step()\nlr_scheduler.step()\n```\n如果不调整顺序，PyTorch 可能会跳过学习率调度表的第一个值，影响训练效果。","https:\u002F\u002Fgithub.com\u002Fswz30\u002FMPRNet\u002Fissues\u002F138",[]]