[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-va1shn9v--PromptIR":3,"tool-va1shn9v--PromptIR":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":78,"owner_location":79,"owner_email":78,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":104,"github_topics":105,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":143},3024,"va1shn9v\u002FPromptIR","PromptIR","PromptIR: Prompting for All-in-One Blind Image Restoration [NeurIPS 2023]","PromptIR 是一款基于提示学习（Prompt Learning）的开源图像修复工具，旨在通过单一模型解决多种类型的图像退化问题。传统深度学习修复方法通常针对特定退化类型（如仅去噪或仅去雨）训练独立模型，且需预先知晓图像的受损类型，这极大限制了其在复杂真实场景中的应用。PromptIR 创新性地引入轻量级“提示”模块，能够自动编码并识别图像中的具体退化信息（如噪声、雨纹、雾霾及其严重程度），动态引导网络进行针对性修复。\n\n这一设计使得 PromptIR 无需任何先验知识，即可在未知退化类型的情况下，实现“多合一”的高效盲图像恢复，同时在去噪、去雨和去雾任务上均达到了业界领先的性能。该工具特别适合计算机视觉研究人员、算法开发者以及需要处理复杂户外或低质量影像数据的工程师使用。其代码库提供了完整的训练、测试及演示脚本，支持灵活配置退化类型组合，并具备分块推理功能以处理高分辨率图像。对于希望探索通用图像修复方案或构建鲁棒视觉系统的专业人士而言，PromptIR 提供了一个高效且通用的技术基座。","# PromptIR: Prompting for All-in-One Blind Image Restoration (NeurIPS'23)\n\n[Vaishnav Potlapalli](https:\u002F\u002Fwww.vaishnavrao.com\u002F), [Syed Waqas Zamir](https:\u002F\u002Fscholar.google.ae\u002Fcitations?hl=en&user=POoai-QAAAAJ), [Salman Khan](https:\u002F\u002Fsalman-h-khan.github.io\u002F) and [Fahad Shahbaz Khan](https:\u002F\u002Fscholar.google.es\u002Fcitations?user=zvaeYnUAAAAJ&hl=en)\n\n[![paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-\u003CCOLOR>.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.13090)\n\n\n\u003Chr \u002F>\n\n> **Abstract:** *Image restoration involves recovering a high-quality clean image from its degraded\nversion. Deep learning-based methods have significantly improved image restora-\ntion performance, however, they have limited generalization ability to different\ndegradation types and levels. This restricts their real-world application since it\nrequires training individual models for each specific degradation and knowing the\ninput degradation type to apply the relevant model. We present a prompt-based\nlearning approach, PromptIR, for All-In-One image restoration that can effectively\nrestore images from various types and levels of degradation. In particular, our\nmethod uses prompts to encode degradation-specific information, which is then\nused to dynamically guide the restoration network. This allows our method to\ngeneralize to different degradation types and levels, while still achieving state-of-\nthe-art results on image denoising, deraining, and dehazing. Overall, PromptIR\noffers a generic and efficient plugin module with few lightweight prompts that can\nbe used to restore images of various types and levels of degradation with no prior\ninformation of corruptions.* \n\u003Chr \u002F>\n\n## Network Architecture\n\n\u003Cimg src = \"mainfig.png\"> \n\n## Installation and Data Preparation\n\nSee [INSTALL.md](INSTALL.md) for the installation of dependencies and dataset preperation required to run this codebase.\n\n## Training\n\nAfter preparing the training data in ```data\u002F``` directory, use \n```\npython train.py\n```\nto start the training of the model. Use the ```de_type``` argument to choose the combination of degradation types to train on. By default it is set to all the 3 degradation types (noise, rain, and haze).\n\nExample Usage: If we only want to train on deraining and dehazing:\n```\npython train.py --de_type derain dehaze\n```\n\n## Testing\n\nAfter preparing the testing data in ```test\u002F``` directory, place the mode checkpoint file in the ```ckpt``` directory. The pretrained model can be downloaded [here](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1j-b5Od70pGF7oaCqKAfUzmf-N-xEAjYl\u002Fview?usp=sharingg), alternatively, it is also available under the releases tab. To perform the evalaution use\n```\npython test.py --mode {n}\n```\n```n``` is a number that can be used to set the tasks to be evaluated on, 0 for denoising, 1 for deraining, 2 for dehaazing and 3 for all-in-one setting.\n\nExample Usage: To test on all the degradation types at once, run:\n\n```\npython test.py --mode 3\n```\n\n## Demo\nTo obtain visual results from the model ```demo.py``` can be used. After placing the saved model file in ```ckpt``` directory, run:\n```\npython demo.py --test_path {path_to_degraded_images} --output_path {save_images_here}\n```\nExample usage to run inference on a directory of images:\n```\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002F' --output_path '.\u002Foutput\u002Fdemo\u002F'\n```\nExample usage to run inference on an image directly:\n```\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002Fimage.png' --output_path '.\u002Foutput\u002Fdemo\u002F'\n```\nTo use tiling option while running ```demo.py``` set ```--tile``` option to ```True```. The Tile size and Tile overlap parameters can be adjusted using ```--tile_size``` and ```--tile_overlap``` options respectively.\n\n\n\n\n## Results\nPerformance results of the PromptIR framework trained under the all-in-one setting\n\n\u003Csummary>\u003Cstrong>Table\u003C\u002Fstrong> \u003C\u002Fsummary>\n\n\u003Cimg src = \"prompt-ir-results.png\"> \n\n\u003Csummary>\u003Cstrong>Visual Results\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nThe visual results of the PromptIR model evaluated under the all-in-one setting can be downloaded [here](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Sm-mCL-i4OKZN7lKuCUrlMP1msYx3F6t?usp=sharing)\n\n\n\n## Citation\nIf you use our work, please consider citing:\n\n    @inproceedings{potlapalli2023promptir,\n      title={PromptIR: Prompting for All-in-One Image Restoration},\n      author={Potlapalli, Vaishnav and Zamir, Syed Waqas and Khan, Salman and Khan, Fahad},\n      booktitle={Thirty-seventh Conference on Neural Information Processing Systems},\n      year={2023}\n    }\n\n\n## Contact\nShould you have any questions, please contact pvaishnav2718@gmail.com\n\n\n**Acknowledgment:** This code is based on the [AirNet](https:\u002F\u002Fgithub.com\u002FXLearning-SCU\u002F2022-CVPR-AirNet) and [Restormer](https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer) repositories. \n\n","# PromptIR：用于一体化盲图像恢复的提示方法（NeurIPS'23）\n\n[Vaishnav Potlapalli](https:\u002F\u002Fwww.vaishnavrao.com\u002F)、[Syed Waqas Zamir](https:\u002F\u002Fscholar.google.ae\u002Fcitations?hl=en&user=POoai-QAAAAJ)、[Salman Khan](https:\u002F\u002Fsalman-h-khan.github.io\u002F) 和 [Fahad Shahbaz Khan](https:\u002F\u002Fscholar.google.es\u002Fcitations?user=zvaeYnUAAAAJ&hl=en)\n\n[![paper](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-\u003CCOLOR>.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.13090)\n\n\n\u003Chr \u002F>\n\n> **摘要**：*图像恢复是指从退化版本中恢复高质量的干净图像。基于深度学习的方法显著提升了图像恢复性能，然而，它们对不同退化类型和程度的泛化能力有限。这限制了其在现实世界中的应用，因为需要为每种特定退化训练单独的模型，并且必须知道输入图像的退化类型才能应用相应的模型。我们提出了一种基于提示的学习方法——PromptIR，用于一体化图像恢复，能够有效恢复各种类型和程度退化的图像。具体而言，我们的方法使用提示来编码退化特异性信息，然后利用这些信息动态引导恢复网络。这使得我们的方法能够泛化到不同的退化类型和程度，同时在图像去噪、去雨和去雾任务上仍能达到当前最先进的水平。总体而言，PromptIR提供了一个通用且高效的插件模块，只需少量轻量级提示即可在无需事先了解退化类型的情况下，恢复各类退化程度的图像。*\n\u003Chr \u002F>\n\n## 网络架构\n\n\u003Cimg src = \"mainfig.png\"> \n\n## 安装与数据准备\n\n请参阅 [INSTALL.md](INSTALL.md)，了解运行本代码库所需的依赖安装及数据集准备步骤。\n\n## 训练\n\n在 `data\u002F` 目录下准备好训练数据后，使用以下命令启动模型训练：\n```\npython train.py\n```\n通过 `de_type` 参数可以选择要训练的退化类型组合。默认设置为所有三种退化类型（噪声、雨和雾）。\n\n示例用法：若仅想训练去雨和去雾任务：\n```\npython train.py --de_type derain dehaze\n```\n\n## 测试\n\n在 `test\u002F` 目录下准备好测试数据后，将模型检查点文件放置于 `ckpt` 目录中。预训练模型可从 [这里](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1j-b5Od70pGF7oaCqKAfUzmf-N-xEAjYl\u002Fview?usp=sharingg) 下载，也可在 releases 标签页中获取。执行评估时，使用以下命令：\n```\npython test.py --mode {n}\n```\n其中 `n` 是一个数字，用于设置要评估的任务：0 表示去噪，1 表示去雨，2 表示去雾，3 表示一体化设置。\n\n示例用法：若要一次性测试所有退化类型，运行：\n```\npython test.py --mode 3\n```\n\n## 演示\n\n要获得模型的可视化结果，可以使用 `demo.py` 脚本。将保存的模型文件放入 `ckpt` 目录后，运行：\n```\npython demo.py --test_path {path_to_degraded_images} --output_path {save_images_here}\n```\n\n示例用法：对某一目录下的图像进行推理：\n```\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002F' --output_path '.\u002Foutput\u002Fdemo\u002F'\n```\n\n直接对单张图像进行推理：\n```\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002Fimage.png' --output_path '.\u002Foutput\u002Fdemo\u002F'\n```\n\n若在运行 `demo.py` 时希望使用分块处理选项，需将 `--tile` 参数设置为 `True`。可通过 `--tile_size` 和 `--tile_overlap` 参数分别调整分块大小和重叠区域。\n\n## 结果\n\nPromptIR 框架在一体化设置下训练后的性能结果\n\n\u003Csummary>\u003Cstrong>表格\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n\u003Cimg src = \"prompt-ir-results.png\"> \n\n\u003Csummary>\u003Cstrong>可视化结果\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nPromptIR 模型在一体化设置下评估的可视化结果可从 [这里](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Sm-mCL-i4OKZN7lKuCUrlMP1msYx3F6t?usp=sharing) 下载。\n\n## 引用\n\n如果您使用了我们的工作，请考虑引用以下内容：\n\n    @inproceedings{potlapalli2023promptir,\n      title={PromptIR: Prompting for All-in-One Image Restoration},\n      author={Potlapalli, Vaishnav and Zamir, Syed Waqas and Khan, Salman and Khan, Fahad},\n      booktitle={Thirty-seventh Conference on Neural Information Processing Systems},\n      year={2023}\n    }\n\n\n## 联系方式\n\n如有任何问题，请联系 pvaishnav2718@gmail.com。\n\n**致谢**：本代码基于 [AirNet](https:\u002F\u002Fgithub.com\u002FXLearning-SCU\u002F2022-CVPR-AirNet) 和 [Restormer](https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer) 两个仓库开发而成。","# PromptIR 快速上手指南\n\nPromptIR 是一个基于提示学习（Prompt Learning）的通用图像复原框架，能够无需预知退化类型，即可对去噪、去雨、去雾等多种退化图像进行“多合一”的高质量复原。\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 (推荐 Ubuntu 18.04+) 或 Windows (需配置 WSL2 或兼容环境)\n*   **Python**: 3.8 或更高版本\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡 (推荐显存 >= 8GB)\n*   **核心依赖**:\n    *   PyTorch (建议 1.9.0+)\n    *   torchvision\n    *   numpy, pillow, tqdm, yaml 等常用科学计算库\n\n> **注意**：本项目代码基于 [AirNet](https:\u002F\u002Fgithub.com\u002FXLearning-SCU\u002F2022-CVPR-AirNet) 和 [Restormer](https:\u002F\u002Fgithub.com\u002Fswz30\u002FRestormer) 构建，具体依赖版本细节请参考项目根目录下的 `INSTALL.md` 文件。国内用户可使用清华源或阿里源加速 PyTorch 及相关包的安装。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fvaishnavrao\u002FPromptIR.git\n    cd PromptIR\n    ```\n\n2.  **安装依赖**\n    根据 `INSTALL.md` 指示安装所需库。通常可以使用 pip 直接安装基础依赖（建议使用国内镜像源加速）：\n    ```bash\n    pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：若项目中未提供 `requirements.txt`，请手动安装上述核心依赖)*\n\n3.  **下载预训练模型**\n    将预训练权重文件下载并放置于项目根目录下的 `ckpt` 文件夹中。\n    *   下载地址：[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1j-b5Od70pGF7oaCqKAfUzmf-N-xEAjYl\u002Fview?usp=sharingg) 或查看 Releases 页面。\n    *   确保文件名与代码中引用的名称一致（通常为 `.pth` 格式）。\n\n4.  **准备数据**\n    *   **训练**：将训练数据集整理好放入 `data\u002F` 目录。\n    *   **测试\u002F演示**：将待处理的退化图片放入指定目录（如 `test\u002Fdemo\u002F`）。\n\n## 基本使用\n\n### 1. 快速推理（Demo）\n这是最简单的使用方式，可直接对单张图片或文件夹内的图片进行复原处理。\n\n**处理文件夹中的图片：**\n```bash\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002F' --output_path '.\u002Foutput\u002Fdemo\u002F'\n```\n\n**处理单张图片：**\n```bash\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002Fimage.png' --output_path '.\u002Foutput\u002Fdemo\u002F'\n```\n\n**高级选项（大图片分块处理）：**\n如果图片分辨率较大导致显存不足，可开启分块（Tiling）模式：\n```bash\npython demo.py --test_path '.\u002Ftest\u002Fdemo\u002F' --output_path '.\u002Foutput\u002Fdemo\u002F' --tile True --tile_size 512 --tile_overlap 32\n```\n\n### 2. 模型评估（Testing）\n如果您需要量化评估模型在特定任务上的性能，请使用 `test.py`。\n\n**评估所有任务（去噪、去雨、去雾）：**\n```bash\npython test.py --mode 3\n```\n\n**仅评估单一任务：**\n*   `0`: 去噪 (Denoising)\n*   `1`: 去雨 (Deraining)\n*   `2`: 去雾 (Dehazing)\n\n示例（仅评估去雨）：\n```bash\npython test.py --mode 1\n```\n\n### 3. 模型训练（Training）\n如需从头训练或微调模型，请确保数据已准备好，然后运行：\n\n**默认训练（包含去噪、去雨、去雾三种退化）：**\n```bash\npython train.py\n```\n\n**指定退化类型训练：**\n例如，仅训练去雨和去雾模型：\n```bash\npython train.py --de_type derain dehaze\n```","某户外监控运维团队需要紧急处理一批因恶劣天气导致画质严重受损的安防录像截图，这些图片混合了夜间噪点、暴雨条纹和浓雾遮挡，且每张图片的具体退化类型未知。\n\n### 没有 PromptIR 时\n- **模型堆叠成本高**：团队必须分别部署去噪、去雨、去雾三个独立的深度学习模型，占用大量显存和服务器资源。\n- **预处理流程繁琐**：在修复前需人工或编写额外算法判断每张图的退化类型，才能路由到对应的专用模型，极易出错。\n- **泛化能力不足**：面对现实中复杂的混合退化（如“雨 + 雾”同时存在），单一功能模型往往顾此失彼，修复后仍留有明显伪影。\n- **响应速度滞后**：多模型串行处理导致单张图片耗时过长，无法满足应急场景下快速还原现场细节的需求。\n\n### 使用 PromptIR 后\n- **统一架构部署**：仅需加载一个 PromptIR 模型，通过轻量级提示（Prompt）动态编码退化信息，即可同时应对多种退化类型，大幅降低资源开销。\n- **盲修复自动化**：无需任何先验知识或预分类步骤，PromptIR 能自动识别并适应输入图像的退化程度与类型，实现真正的“即插即用”。\n- **混合退化完美攻克**：利用提示机制动态引导网络，即使在雨雾交织的复杂场景下，也能精准分离干扰因素，还原清晰背景。\n- **推理效率飞跃**：端到端的单次推理替代了原有的多模型串联流程，批量处理速度提升数倍，迅速输出高质量复原图像。\n\nPromptIR 通过提示学习打破了传统图像修复的壁垒，用一套通用模型高效解决了现实世界中未知且混合的图像退化难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fva1shn9v_PromptIR_f90b124e.png","va1shn9v","Vaishnav Potlapalli","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fva1shn9v_a2d01bfc.jpg",null,"San Francisco ","https:\u002F\u002Fwww.vaishnavrao.com\u002F","https:\u002F\u002Fgithub.com\u002Fva1shn9v",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,512,41,"2026-04-03T08:05:31","NOASSERTION","未说明","未说明（基于深度学习图像恢复任务及依赖 Restormer\u002FAirNet 架构，通常必需 NVIDIA GPU）",{"notes":94,"python":91,"dependencies":95},"README 中未直接列出具体版本要求，详细依赖需参考项目根目录下的 INSTALL.md 文件。该工具基于 AirNet 和 Restormer 代码库开发，主要用于去噪、去雨和去雾等图像恢复任务。预训练模型可通过 Google Drive 下载并放置于 ckpt 目录。支持使用 --tile 参数进行分块推理以处理大尺寸图像。",[96,97,98,99,100,101,102,103],"torch","torchvision","numpy","Pillow","tqdm","pyyaml","opencv-python","matplotlib",[14,13],[106,107,108,109,110,111],"image-dehazing","image-denoising","image-deraining","image-restoration","low-level-vision","pytorch","2026-03-27T02:49:30.150509","2026-04-06T06:46:06.031821",[115,120,124,128,133,138],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},13945,"BSD68 测试集下载后是灰度图，但论文中使用的是彩色图，是我操作错了吗？","是的，标准的 BSD68 数据集通常是灰度图，但本项目需要使用彩色版本（Color-BSD68）。请不要使用普通的 BSD68 下载链接，而是专门下载 Color-BSD68 数据集。下载地址参考：https:\u002F\u002Fgithub.com\u002Fclausmichele\u002FCBSD68-dataset\u002Ftree\u002Fmaster\u002FCBSD68\u002Foriginal。","https:\u002F\u002Fgithub.com\u002Fva1shn9v\u002FPromptIR\u002Fissues\u002F4",{"id":121,"question_zh":122,"answer_zh":123,"source_url":119},13940,"如何获取 Waterloo Exploration Database (WED) 数据集？原始链接失效了怎么办？","如果官方链接失效，建议检查项目 Issue 或社区提供的替代资源。对于 BSD68 数据集，请确保使用彩色版本（Color-BSD68），而非灰度版本。您可以从以下地址获取：https:\u002F\u002Fgithub.com\u002Fclausmichele\u002FCBSD68-dataset\u002Ftree\u002Fmaster\u002FCBSD68\u002Foriginal。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":119},13941,"如何下载并配置 OTS 去雾数据集（RESIDE-β）？目录结构应该是怎样的？","请访问此链接下载 OTS 分割数据：https:\u002F\u002Fsites.google.com\u002Fview\u002Freside-dehaze-datasets\u002Freside-%CE%B2。在 Dropbox 下载链接中，您需要下载 5 个压缩包：part1.zip 到 part4.zip 以及 clear.zip。\n解压后，请将 part* 目录直接复制到 Dehaze\u002Fsynthetic 目录下；将 clear.zip 解压得到的 images 放入 Dehaze\u002Foriginal 目录。\n最终目录结构应如下：\n- Dehaze\u002Foriginal：包含约 2061 张清晰图像。\n- Dehaze\u002Fsynthetic\u002Fpart1 至 part4：每个目录包含约 18200 张合成图像。",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},13942,"复现结果与论文不符（特别是去雨任务效果偏差大），可能是什么原因？","论文中报告的结果和使用发布的模型检查点是基于训练 120 个 epoch 且批量大小（batch size）为 8（即每张 GPU 8 个，总共 32 个）生成的。如果您只训练了 50 个 epoch 或减少了批量大小（如因显存限制改为 4），性能可能会下降，尤其是去雾和去噪任务。建议尝试训练满 120 个 epoch，并尽可能使用推荐的批量大小以获得最佳结果。","https:\u002F\u002Fgithub.com\u002Fva1shn9v\u002FPromptIR\u002Fissues\u002F9",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},13943,"运行 `conda env create -f env.yml` 时遇到 `warmup-scheduler` 依赖错误如何解决？","这是由于特定版本的 `warmup-scheduler` 无法找到。解决方法有两种：\n1. 编辑 `env.yml` 文件，移除所有 pip 依赖项中的版本号，然后重新创建环境。\n2. 或者，先在 `env.yml` 中暂时移除 `warmup-scheduler` 这一行，完成环境安装后，再单独运行 `pip install warmup-scheduler` 进行安装。","https:\u002F\u002Fgithub.com\u002Fva1shn9v\u002FPromptIR\u002Fissues\u002F7",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},13944,"运行训练脚本时出现 `ModuleNotFoundError: No module named 'lightning'` 或相关导入错误怎么办？","这通常是因为环境未正确安装或依赖包版本冲突。请确保严格按照项目的 `INSTALL.md` 文档创建 conda 环境。如果遇到类似 `warmup-scheduler` 的安装问题，请参考相关 Issue 先解决依赖冲突。确保在激活正确的 conda 环境（如 `promptir`）后再运行 `python train.py`。","https:\u002F\u002Fgithub.com\u002Fva1shn9v\u002FPromptIR\u002Fissues\u002F10",[144],{"id":145,"version":146,"summary_zh":147,"released_at":148},76116,"v1.0","PromptIR 的检查点，用于执行一体化的盲图像恢复。","2023-07-03T04:45:04"]