[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-twtygqyy--pytorch-SRResNet":3,"tool-twtygqyy--pytorch-SRResNet":61},[4,18,28,36,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"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":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"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",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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",[27,13,15,14],{"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":76,"owner_website":76,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":143},9977,"twtygqyy\u002Fpytorch-SRResNet","pytorch-SRResNet","pytorch implementation for Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network arXiv:1609.04802","pytorch-SRResNet 是一个基于 PyTorch 框架实现的单图像超分辨率工具，旨在将低分辨率模糊图片重建为高分辨率的清晰图像。它复现了经典的\"SRResNet\"算法，通过深度残差网络有效解决了图像放大后细节丢失和边缘模糊的问题，让图片在放大数倍后依然保持自然逼真的质感。\n\n这款工具特别适合人工智能研究人员、计算机视觉开发者以及需要处理图像增强任务的技术人员使用。无论是希望深入理解生成对抗网络（GAN）前驱技术的学者，还是想要在自己的项目中集成高质量图像放大功能的工程师，都能从中受益。\n\n其技术亮点在于采用了实例归一化（Instance Normalization）替代传统的批归一化，从而提升了模型的训练效果和最终画质。此外，项目提供了完整的训练、演示和评估脚本，支持自定义数据集准备、数据增强（如翻转、旋转）以及在 Set5 等标准数据集上的性能测试。虽然其在峰值信噪比（PSNR）指标上略低于原论文数据，但作为开源实现，它为社区提供了一个透明、可修改且易于上手的研究基准，帮助用户快速验证想法或构建自己的超分辨率应用。","# PyTorch SRResNet\nImplementation of Paper: \"Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network\"(https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04802) in PyTorch\n\n## Usage\n### Training\n```\nusage: main_srresnet.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS]\n                        [--lr LR] [--step STEP] [--cuda] [--resume RESUME]\n                        [--start-epoch START_EPOCH] [--threads THREADS]\n                        [--pretrained PRETRAINED] [--vgg_loss] [--gpus GPUS]\n\noptional arguments:\n  -h, --help            show this help message and exit\n  --batchSize BATCHSIZE\n                        training batch size\n  --nEpochs NEPOCHS     number of epochs to train for\n  --lr LR               Learning Rate. Default=1e-4\n  --step STEP           Sets the learning rate to the initial LR decayed by\n                        momentum every n epochs, Default: n=500\n  --cuda                Use cuda?\n  --resume RESUME       Path to checkpoint (default: none)\n  --start-epoch START_EPOCH\n                        Manual epoch number (useful on restarts)\n  --threads THREADS     Number of threads for data loader to use, Default: 1\n  --pretrained PRETRAINED\n                        path to pretrained model (default: none)\n  --vgg_loss            Use content loss?\n  --gpus GPUS           gpu ids (default: 0)\n```\nAn example of training usage is shown as follows:\n```\npython main_srresnet.py --cuda --vgg_loss --gpus 0\n```\n\n### demo\n```\nusage: demo.py [-h] [--cuda] [--model MODEL] [--image IMAGE]\n               [--dataset DATASET] [--scale SCALE] [--gpus GPUS]\n\noptional arguments:\n  -h, --help         show this help message and exit\n  --cuda             use cuda?\n  --model MODEL      model path\n  --image IMAGE      image name\n  --dataset DATASET  dataset name\n  --scale SCALE      scale factor, Default: 4\n  --gpus GPUS        gpu ids (default: 0)\n```\nWe convert Set5 test set images to mat format using Matlab, for simple image reading\nAn example of usage is shown as follows:\n```\npython demo.py --model model\u002Fmodel_srresnet.pth --dataset Set5 --image butterfly_GT --scale 4 --cuda\n```\n\n### Eval\n```\nusage: eval.py [-h] [--cuda] [--model MODEL] [--dataset DATASET]\n               [--scale SCALE] [--gpus GPUS]\n\noptional arguments:\n  -h, --help         show this help message and exit\n  --cuda             use cuda?\n  --model MODEL      model path\n  --dataset DATASET  dataset name, Default: Set5\n  --scale SCALE      scale factor, Default: 4\n  --gpus GPUS        gpu ids (default: 0)\n```\nWe convert Set5 test set images to mat format using Matlab. Since PSNR is evaluated on only Y channel, we import matlab in python, and use rgb2ycbcr function for converting rgb image to ycbcr image. You will have to setup the matlab python interface so as to import matlab library. \nAn example of usage is shown as follows:\n```\npython eval.py --model model\u002Fmodel_srresnet.pth --dataset Set5 --cuda\n```\n\n### Prepare Training dataset\n  - Please refer [Code for Data Generation](https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Ftree\u002Fmaster\u002Fdata) for creating training files.\n  - Data augmentations including flipping, rotation, downsizing are adopted.\n\n\n### Performance\n  - We provide a pretrained model trained on [291](http:\u002F\u002Fcv.snu.ac.kr\u002Fresearch\u002FVDSR\u002Ftrain_data.zip) images with data augmentation\n  - Instance Normalization is applied instead of Batch Normalization for better performance \n  - So far performance in PSNR is not as good as paper, any suggestion is welcome\n  \n| Dataset        | SRResNet Paper | SRResNet PyTorch|\n| :-------------:|:--------------:|:---------------:|\n| Set5           | 32.05          | **31.80**       |\n| Set14          | 28.49          | **28.25**       |\n| BSD100         | 27.58          | **27.51**       |\n\n### Result\nFrom left to right are ground truth, bicubic and SRResNet\n\u003Cp>\n  \u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftwtygqyy_pytorch-SRResNet_readme_795b6d232d9a.png' height='260' width='700'\u002F>\n\u003C\u002Fp>\n","# PyTorch SRResNet\n基于论文《使用生成对抗网络实现照片级真实感单图像超分辨率》（https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04802）的 PyTorch 实现\n\n## 使用方法\n### 训练\n```\n用法：main_srresnet.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS]\n                        [--lr LR] [--step STEP] [--cuda] [--resume RESUME]\n                        [--start-epoch START_EPOCH] [--threads THREADS]\n                        [--pretrained PRETRAINED] [--vgg_loss] [--gpus GPUS]\n\n可选参数：\n  -h, --help            显示此帮助信息并退出\n  --batchSize BATCHSIZE\n                        训练批次大小\n  --nEpochs NEPOCHS     训练的总 epoch 数\n  --lr LR               学习率。默认值为 1e-4\n  --step STEP           每隔 n 个 epoch 将学习率衰减一次，n 默认为 500\n  --cuda                是否使用 CUDA？\n  --resume RESUME       检查点路径（默认：无）\n  --start-epoch START_EPOCH\n                        手动指定起始 epoch（重启时有用）\n  --threads THREADS     数据加载器使用的线程数，默认为 1\n  --pretrained PRETRAINED\n                        预训练模型路径（默认：无）\n  --vgg_loss            是否使用内容损失？\n  --gpus GPUS           GPU ID（默认：0）\n```\n训练示例如下：\n```\npython main_srresnet.py --cuda --vgg_loss --gpus 0\n```\n\n### 演示\n```\n用法：demo.py [-h] [--cuda] [--model MODEL] [--image IMAGE]\n               [--dataset DATASET] [--scale SCALE] [--gpus GPUS]\n\n可选参数：\n  -h, --help         显示此帮助信息并退出\n  --cuda             是否使用 CUDA？\n  --model MODEL      模型路径\n  --image IMAGE      图像名称\n  --dataset DATASET  数据集名称\n  --scale SCALE      缩放因子，默认为 4\n  --gpus GPUS        GPU ID（默认：0）\n```\n我们使用 Matlab 将 Set5 测试集图像转换为 mat 格式，以便于简单地读取图像。\n使用示例如下：\n```\npython demo.py --model model\u002Fmodel_srresnet.pth --dataset Set5 --image butterfly_GT --scale 4 --cuda\n```\n\n### 评估\n```\n用法：eval.py [-h] [--cuda] [--model MODEL] [--dataset DATASET]\n               [--scale SCALE] [--gpus GPUS]\n\n可选参数：\n  -h, --help         显示此帮助信息并退出\n  --cuda             是否使用 CUDA？\n  --model MODEL      模型路径\n  --dataset DATASET  数据集名称，默认为 Set5\n  --scale SCALE      缩放因子，默认为 4\n  --gpus GPUS        GPU ID（默认：0）\n```\n我们同样使用 Matlab 将 Set5 测试集图像转换为 mat 格式。由于 PSNR 仅在 Y 通道上计算，因此我们在 Python 中导入 MATLAB 库，并使用 rgb2ycbcr 函数将 RGB 图像转换为 YCbCr 图像。您需要先设置 MATLAB 的 Python 接口才能成功导入 MATLAB 库。\n使用示例如下：\n```\npython eval.py --model model\u002Fmodel_srresnet.pth --dataset Set5 --cuda\n```\n\n### 准备训练数据集\n  - 请参考 [数据生成代码](https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Ftree\u002Fmaster\u002Fdata) 来创建训练文件。\n  - 数据增强包括翻转、旋转和降采样等操作。\n\n### 性能\n  - 我们提供了一个在 [291](http:\u002F\u002Fcv.snu.ac.kr\u002Fresearch\u002FVDSR\u002Ftrain_data.zip) 张图像上训练，并进行了数据增强的预训练模型。\n  - 为了获得更好的性能，我们使用实例归一化替代了批量归一化。\n  - 目前 PSNR 指标尚未达到论文中的水平，欢迎提出改进建议。\n\n| 数据集        | SRResNet 论文 | SRResNet PyTorch|\n| :-------------:|:--------------:|:---------------:|\n| Set5           | 32.05          | **31.80**       |\n| Set14          | 28.49          | **28.25**       |\n| BSD100         | 27.58          | **27.51**       |\n\n### 结果\n从左至右依次为真实图像、双三次插值结果和 SRResNet 处理结果。\n\u003Cp>\n  \u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftwtygqyy_pytorch-SRResNet_readme_795b6d232d9a.png' height='260' width='700'\u002F>\n\u003C\u002Fp>","# pytorch-SRResNet 快速上手指南\n\n本指南基于论文《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》的 PyTorch 实现，帮助用户快速部署 SRResNet 进行单图像超分辨率重建。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 需配置相应 CUDA 环境)\n*   **Python**: 推荐 Python 3.6+\n*   **深度学习框架**: PyTorch (建议安装支持 CUDA 的版本以加速训练和推理)\n*   **依赖库**:\n    *   `torchvision`\n    *   `Pillow`\n    *   `h5py` (用于读取处理后的数据集)\n    *   `matlabengine` (仅评估 PSNR 时需要，用于调用 Matlab 接口进行 Y 通道转换，若仅需推理可忽略)\n\n**前置依赖安装命令：**\n```bash\npip install torch torchvision Pillow h5py\n# 如需评估指标且已安装 Matlab，需额外配置 matlabengine\n# pip install matlabengine\n```\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet.git\n    cd pytorch-SRResNet\n    ```\n\n2.  **准备数据集**\n    *   **训练数据**: 参考项目 `data` 目录下的脚本生成训练文件。项目采用了翻转、旋转和下采样等数据增强策略。\n        *   数据来源参考: [291 张图片数据集](http:\u002F\u002Fcv.snu.ac.kr\u002Fresearch\u002FVDSR\u002Ftrain_data.zip)\n    *   **测试数据**: 评估脚本默认使用 Set5 数据集。需注意，官方脚本要求将测试集图片转换为 `.mat` 格式（原文建议使用 Matlab 转换）。\n\n3.  **下载预训练模型（可选）**\n    项目提供了一个在 291 张图片上训练并使用 Instance Normalization 优化的预训练模型。您可以将其放置在 `model\u002F` 目录下，命名为 `model_srresnet.pth`。\n\n## 基本使用\n\n### 1. 图像超分推理 (Demo)\n\n使用预训练模型对单张图像进行 4 倍超分辨率重建。\n\n**示例命令：**\n```bash\npython demo.py --model model\u002Fmodel_srresnet.pth --dataset Set5 --image butterfly_GT --scale 4 --cuda\n```\n*   `--model`: 预训练模型路径。\n*   `--image`: 输入图像名称（不含后缀，需位于对应数据集文件夹）。\n*   `--scale`: 放大倍数，默认为 4。\n*   `--cuda`: 启用 GPU 加速。\n\n### 2. 模型评估 (Eval)\n\n在标准数据集（如 Set5）上评估模型的 PSNR 指标。\n*注意：此步骤需要配置 Matlab Python 接口以正确计算 Y 通道 PSNR。*\n\n**示例命令：**\n```bash\npython eval.py --model model\u002Fmodel_srresnet.pth --dataset Set5 --cuda\n```\n\n### 3. 模型训练 (Training)\n\n从头开始训练或使用预训练权重微调。本项目使用 Instance Normalization 替代 Batch Normalization 以提升效果。\n\n**示例命令（启用 VGG 感知损失）：**\n```bash\npython main_srresnet.py --cuda --vgg_loss --gpus 0\n```\n\n**常用参数说明：**\n*   `--batchSize`: 训练批次大小。\n*   `--nEpochs`: 训练总轮数。\n*   `--lr`: 学习率，默认 1e-4。\n*   `--resume`: 加载检查点继续训练的路径。\n*   `--pretrained`: 加载预训练模型的路径。\n*   `--vgg_loss`: 启用内容损失（Content Loss）。","某数字档案馆正在对一批 20 年前拍摄的低分辨率历史照片进行数字化修复，以便在高清大屏上展览。\n\n### 没有 pytorch-SRResNet 时\n- 传统插值算法（如双三次插值）放大后的图像边缘模糊，缺乏纹理细节，无法满足高清展出的视觉要求。\n- 寻找商业级超分软件成本高昂，且难以针对特定历史照片的噪点特征进行定制化调整。\n- 手动使用 Photoshop 修复每张老照片耗时极长，面对数千张的库存量，人力成本无法承受。\n- 现有开源方案多基于纯像素误差优化，生成的图像虽然数值指标高，但视觉上过于平滑，丢失了真实感。\n\n### 使用 pytorch-SRResNet 后\n- 利用其生成对抗网络（GAN）架构，成功恢复了砖墙、织物等复杂的微观纹理，实现了照片级的真实超分辨率效果。\n- 通过 `--vgg_loss` 参数引入感知损失，确保放大 4 倍后的图像在视觉感知上自然锐利，而非单纯的数学拟合。\n- 借助 `demo.py` 脚本批量处理数据集，结合 GPU 加速（`--cuda`），将单张照片的处理时间从分钟级缩短至秒级。\n- 支持加载预训练模型（`--pretrained`）并在 Set5 等标准集上快速验证性能，大幅降低了算法落地和调优的门槛。\n\npytorch-SRResNet 通过深度学习技术，以低成本实现了老照片从“看得清”到“看得真”的质的飞跃。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftwtygqyy_pytorch-SRResNet_795b6d23.png","twtygqyy","Jiu XU","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftwtygqyy_a6bc1dd6.jpg","Engineering Manager @ Meta Reality Labs",null,"California","twtygqyy@gmail.com","https:\u002F\u002Fgithub.com\u002Ftwtygqyy",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",75.7,{"name":86,"color":87,"percentage":88},"MATLAB","#e16737",24.3,511,129,"2026-04-19T14:47:24","MIT",4,"未说明","训练和推理可选（通过 --cuda 参数启用），需 NVIDIA GPU；具体型号和显存大小未说明，但超分辨率任务通常建议 4GB+；CUDA 版本未说明",{"notes":97,"python":94,"dependencies":98},"1. 评估脚本 (eval.py) 依赖 MATLAB 环境，需配置 Python 与 MATLAB 的接口以调用 rgb2ycbcr 函数计算 PSNR。\n2. 测试数据集 (如 Set5) 需预先使用 MATLAB 转换为 .mat 格式。\n3. 训练数据生成需参考提供的 data 目录脚本，包含翻转、旋转和下采样等增强操作。\n4. 该实现使用 Instance Normalization 替代 Batch Normalization 以提升性能。",[99,100],"pytorch","matlab-python-interface (用于评估 PSNR)",[15,14],[99,103,104],"resolution","pytorch-srresnet","2026-03-27T02:49:30.150509","2026-04-20T12:53:03.586665",[108,113,118,123,128,133,138],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},44807,"如何测试我自己的 .mat 文件？","请参考仓库中提供的 MATLAB 代码来生成测试用的 .mat 文件。具体代码位置在：https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-LapSRN\u002Fblob\u002Fmaster\u002FTest\u002Fgenerate_test_mat.m。运行该脚本即可生成符合要求的测试数据格式。","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F10",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},44808,"训练时出现 'CUDNN_STATUS_BAD_PARAM' 错误怎么办？","该错误通常是因为输入数据的通道数不匹配。SRResNet 需要 3 通道（RGB）的图像块作为输入，而 VDSR 使用的是 1 通道（灰度）图像块。如果您使用 VDSR 的 generate_train.m 生成数据，请修改该 MATLAB 代码，将其改为生成 3 通道的版本。维护者已上传了相关的数据生成代码供参考：https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Ftree\u002Fmaster\u002Fdata","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F2",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},44809,"为什么 SRResNet 没有使用对抗损失（adversarial loss）或判别器？","因为此项目中的 SRResNet 仅使用了 SRGAN 架构中的生成器（generator）部分，并未包含判别器或对抗训练部分，所以不存在对抗损失。","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F30",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},44810,"显示的 3 通道输出图像颜色异常或看起来不正确怎么办？","请检查用于显示图像的数组数据类型。在使用 imshow 显示之前，务必确保数组类型是 np.uint8。如果数据类型不正确（例如是 float），会导致图像显示异常。","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F21",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},44811,"训练开始时遇到 'AttributeError: NoneType object has no attribute shape' 错误如何解决？","这个错误通常是因为数据集文件（.h5 文件）没有放置在正确的文件夹路径下，导致程序无法加载数据，从而 data 对象为 None。请检查您的目录结构，确保 h5 文件位于代码预期的数据目录中。","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F13",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},44812,"加载模型时遇到 'UnicodeDecodeError: ascii codec can't decode byte...' 错误怎么办？","这是 Python 2 和 Python 3 之间 pickle 编码不兼容导致的常见问题。虽然尝试修改 serialization.py 中的编码为 'latin1' 是一种方法，但如果无效，建议检查模型文件是否是在不同 Python 版本下保存的。通常需要在加载代码中指定 encoding='latin1' 参数，或者重新在当前的 Python 环境下训练并保存模型。","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F22",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},44813,"加载旧版本保存的模型时出现 'AttributeError: Can't get attribute _rebuild_tensor_v2' 错误？","这是由于 PyTorch 版本不兼容导致的。错误表明您试图用较低版本的 PyTorch（如 0.3）加载由较高版本（如 0.4+）保存的模型文件。解决方案是升级您的 PyTorch 环境到保存模型时的版本（建议使用 PyTorch 0.4 或更高版本）再进行加载和评估。","https:\u002F\u002Fgithub.com\u002Ftwtygqyy\u002Fpytorch-SRResNet\u002Fissues\u002F19",[]]