[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wtjiang98--PSGAN":3,"tool-wtjiang98--PSGAN":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",153609,2,"2026-04-13T11:34:59",[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。",108322,"2026-04-10T11:39:34",[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":91,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":112},7123,"wtjiang98\u002FPSGAN","PSGAN","PyTorch code for \"PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer\" (CVPR 2020 Oral)","PSGAN 是一款基于 PyTorch 开发的开源人工智能项目，专注于实现高度定制化且自然的人像妆容迁移。它源自 CVPR 2020 的口头报告论文，旨在解决传统妆容迁移技术中常见的痛点：当人脸存在较大角度旋转或丰富面部表情时，生成的妆容往往会出现错位、模糊或不自然的现象。\n\n通过引入“空间感知”机制，PSGAN 能够精准识别面部不同区域（如嘴唇、眼睛、脸颊），在保持源人物姿态和表情不变的前提下，将参考图的妆容风格无损地迁移过去。该项目的一大技术亮点是后续改进中加入了基于拉普拉斯变换的高分辨率人脸支持，显著提升了输出图像的细节清晰度。此外，代码库不仅提供了完整的训练流程，还支持 GPU 加速推理，甚至能直接应用于视频帧处理，实现动态视频的妆容迁移。\n\nPSGAN 非常适合计算机视觉领域的研究人员、AI 开发者以及数字媒体设计师使用。研究人员可将其作为生成对抗网络（GAN）在属性编辑方向的基准模型；开发者能基于其模块化代码进行二次开发或集成到应用中；设计师则可利用它快速探索不同的妆容创意原型。虽然普通用户直接运行代码有一定门槛，但它为构建各类智能美妆应用提供了坚实的技术底座。","# PSGAN\n\nCode for our CVPR 2020 **oral** paper \"[PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06956)\".\n\nContributed by [Wentao Jiang](https:\u002F\u002Fwtjiang98.github.io), [Si Liu](http:\u002F\u002Fcolalab.org\u002Fpeople), Chen Gao, Jie Cao, Ran He, [Jiashi Feng](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fjshfeng\u002F), [Shuicheng Yan](https:\u002F\u002Fwww.ece.nus.edu.sg\u002Fstfpage\u002Feleyans\u002F).\n\nThis code was further modified by [Zhaoyi Wan](https:\u002F\u002Fwww.wanzy.me).\n\nIn addition to the original algorithm, we added high-resolution face support using Laplace tranformation.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_9589d24f77ee.png)\n\n\n## Checklist\n- [x] more results \n- [ ] video demos\n- [ ] partial makeup transfer example\n- [ ] interpolated makeup transfer example\n- [x] inference on GPU\n- [x] training code\n\n\n## Requirements\n\nThe code was tested on Ubuntu 16.04, with Python 3.6 and PyTorch 1.5.\n\nFor face parsing and landmark detection, we use dlib for fast implementation.\n\nIf you are using gpu for inference, *do* make sure you have gpu support for dlib.\n\n\n## Test\n\nRun `python3 demo.py` or `python3 demo.py --device cuda` for gpu inference.\n\n\n## Train\n1. Download training data from [link](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ubqJ49ev16NbgJjjTt-Q75mNzvZ7sEEn?usp=sharing), and move it to sub directory named with \"data\". (For BaiduYun users, you can download the data [here](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZF-DN9PvbBteOSfQodWnyw). Password: rtdd)\n\n\nYour data directory should be looked like:\n\n```\ndata\n├── images\n│   ├── makeup\n│   └── non-makeup\n├── landmarks\n│   ├── makeup\n│   └── non-makeup\n├── makeup.txt\n├── non-makeup.txt\n├── segs\n│   ├── makeup\n│   └── non-makeup\n```\n\n2. `python3 train.py`\n\nDetailed configurations can be located and modified in configs\u002Fbase.yaml, where\ncommand-line modification is also supportted.\n\n*Note: * Although multi-GPU training is currently supported, due to the limitation of pytorch data parallel and gpu cost, the numer of\nadopted gpus and batch size are supposed to be the same.\n\n## More Results\n\n#### MT-Dataset (frontal face images with neutral expression)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_9b304163c659.png)\n\n\n#### MWild-Dataset (images with different poses and expressions)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_879a42d21390.png)\n\n#### Video Makeup Transfer (by simply applying PSGAN on each frame)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_0696ebeb5a2f.png)\n\n## Citation\nPlease consider citing this project in your publications if it helps your research. The following is a BibTeX reference. The BibTeX entry requires the url LaTeX package.\n\n~~~\n@InProceedings{Jiang_2020_CVPR,\n  author = {Jiang, Wentao and Liu, Si and Gao, Chen and Cao, Jie and He, Ran and Feng, Jiashi and Yan, Shuicheng},\n  title = {PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer},\n  booktitle = {IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n  month = {June},\n  year = {2020}\n}\n\n@article{liu2021psgan++,\n  title={PSGAN++: robust detail-preserving makeup transfer and removal},\n  author={Liu, Si and Jiang, Wentao and Gao, Chen and He, Ran and Feng, Jiashi and Li, Bo and Yan, Shuicheng},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  volume={44},\n  number={11},\n  pages={8538--8551},\n  year={2021},\n  publisher={IEEE}\n}\n~~~\n\n## Acknowledge\nSome of the codes are built upon [face-parsing.PyTorch](https:\u002F\u002Fgithub.com\u002Fzllrunning\u002Fface-parsing.PyTorch) and [BeautyGAN](https:\u002F\u002Fgithub.com\u002Fwtjiang98\u002FBeautyGAN_pytorch). \n\nYou are encouraged to submit issues and contribute pull requests.\n","# PSGAN\n\n这是我们CVPR 2020 **口头报告**论文“[PSGAN：姿态与表情鲁棒的空间感知生成对抗网络，用于可定制的化妆迁移](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06956)”的代码。\n\n贡献者：[Wentao Jiang](https:\u002F\u002Fwtjiang98.github.io)、[Si Liu](http:\u002F\u002Fcolalab.org\u002Fpeople)、Chen Gao、Jie Cao、Ran He、[Jiashi Feng](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fjshfeng\u002F)、[Shuicheng Yan](https:\u002F\u002Fwww.ece.nus.edu.sg\u002Fstfpage\u002Feleyans\u002F)。\n\n该代码由[Zhaoyi Wan](https:\u002F\u002Fwww.wanzy.me)进一步修改。\n\n除了原始算法外，我们还加入了基于拉普拉斯变换的高分辨率人脸支持。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_9589d24f77ee.png)\n\n\n## 待办事项\n- [x] 更多结果 \n- [ ] 视频演示\n- [ ] 部分化妆迁移示例\n- [ ] 插值化妆迁移示例\n- [x] GPU推理\n- [x] 训练代码\n\n\n## 环境要求\n\n代码已在Ubuntu 16.04上测试通过，使用Python 3.6和PyTorch 1.5。\n\n对于人脸解析和关键点检测，我们使用dlib以实现快速运行。\n\n如果您使用GPU进行推理，请务必确保dlib已正确配置GPU支持。\n\n\n## 测试\n\n运行`python3 demo.py`或`python3 demo.py --device cuda`以在GPU上进行推理。\n\n\n## 训练\n1. 从[链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ubqJ49ev16NbgJjjTt-Q75mNzvZ7sEEn?usp=sharing)下载训练数据，并将其移动到名为“data”的子目录中。（百度网盘用户可在此[下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZF-DN9PvbBteOSfQodWnyw)。提取码：rtdd）\n\n您的数据目录应如下所示：\n\n```\ndata\n├── images\n│   ├── makeup\n│   └── non-makeup\n├── landmarks\n│   ├── makeup\n│   └── non-makeup\n├── makeup.txt\n├── non-makeup.txt\n├── segs\n│   ├── makeup\n│   └── non-makeup\n```\n\n2. `python3 train.py`\n\n详细配置可在configs\u002Fbase.yaml中找到并修改，同时支持命令行参数覆盖。\n\n*注意：* 尽管目前支持多GPU训练，但由于PyTorch数据并行的限制以及GPU成本较高，建议采用的GPU数量与批量大小保持一致。\n\n## 更多结果\n\n#### MT数据集（正面、中性表情的人脸图像）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_9b304163c659.png)\n\n\n#### MWild数据集（不同姿态和表情的图像）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_879a42d21390.png)\n\n#### 视频化妆迁移（对每一帧单独应用PSGAN）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_readme_0696ebeb5a2f.png)\n\n## 引用\n如果本项目对您的研究有所帮助，请考虑在您的出版物中引用本项目。以下是BibTeX参考文献。使用BibTeX条目时需要加载url LaTeX包。\n\n~~~\n@InProceedings{Jiang_2020_CVPR,\n  author = {Jiang, Wentao and Liu, Si and Gao, Chen and Cao, Jie and He, Ran and Feng, Jiashi and Yan, Shuicheng},\n  title = {PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer},\n  booktitle = {IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n  month = {June},\n  year = {2020}\n}\n\n@article{liu2021psgan++,\n  title={PSGAN++: robust detail-preserving makeup transfer and removal},\n  author={Liu, Si and Jiang, Wentao and Gao, Chen and He, Ran and Feng, Jiashi and Li, Bo and Yan, Shuicheng},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  volume={44},\n  number={11},\n  pages={8538--8551},\n  year={2021},\n  publisher={IEEE}\n}\n~~~\n\n## 致谢\n部分代码基于[face-parsing.PyTorch](https:\u002F\u002Fgithub.com\u002Fzllrunning\u002Fface-parsing.PyTorch)和[BeautyGAN](https:\u002F\u002Fgithub.com\u002Fwtjiang98\u002FBeautyGAN_pytorch)开发。\n\n欢迎提交问题和拉取请求。","# PSGAN 快速上手指南\n\nPSGAN 是一个用于可定制化妆容迁移的生成对抗网络，具备对姿态和表情的鲁棒性。本指南基于 CVPR 2020 Oral 论文代码整理，支持高分辨率人脸处理。\n\n## 环境准备\n\n**系统要求：**\n- 操作系统：Ubuntu 16.04（推荐）或其他 Linux 发行版\n- Python 版本：3.6\n- PyTorch 版本：1.5\n- GPU 支持（可选但推荐）：若使用 GPU 推理，请确保安装的 `dlib` 已编译 CUDA 支持\n\n**前置依赖：**\n主要依赖包括 `torch`, `dlib` (用于人脸解析和关键点检测), `yaml` 等。\n\n建议先安装基础依赖：\n```bash\npip install torch==1.5.0 torchvision==0.6.0\npip install dlib\npip install pyyaml opencv-python scipy numpy\n```\n\n> **注意**：如果使用 GPU 进行推理或训练，务必确认 `dlib` 支持 CUDA。可通过 `python -c \"import dlib; print(dlib.DLIB_USE_CUDA)\"` 验证，输出应为 `True`。\n\n## 安装步骤\n\n1. 克隆项目代码（假设已获取源码目录）：\n   ```bash\n   cd PSGAN\n   ```\n\n2. （可选）如需训练模型，请准备数据集：\n   \n   **国际用户**：从 Google Drive 下载训练数据 [链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ubqJ49ev16NbgJjjTt-Q75mNzvZ7sEEn?usp=sharing)\n   \n   **国内用户**：推荐使用百度网盘下载 [链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZF-DN9PvbBteOSfQodWnyw)，提取码：`rtdd`\n\n   将下载的数据解压并移动至项目根目录下的 `data` 文件夹，目录结构应如下：\n   ```\n   data\n   ├── images\n   │   ├── makeup\n   │   └── non-makeup\n   ├── landmarks\n   │   ├── makeup\n   │   └── non-makeup\n   ├── makeup.txt\n   ├── non-makeup.txt\n   ├── segs\n   │   ├── makeup\n   │   └── non-makeup\n   ```\n\n## 基本使用\n\n### 推理测试（妆容迁移）\n\n运行以下命令即可对默认示例图片进行妆容迁移：\n\n```bash\npython3 demo.py\n```\n\n若需使用 GPU 加速推理，请添加 `--device cuda` 参数：\n\n```bash\npython3 demo.py --device cuda\n```\n\n程序将自动加载预训练模型，并输出迁移后的结果图像。\n\n### 训练模型（可选）\n\n如需从头训练模型，确保数据目录结构正确后，运行：\n\n```bash\npython3 train.py\n```\n\n详细配置可在 `configs\u002Fbase.yaml` 中修改，也支持通过命令行参数覆盖配置。\n\n> **提示**：虽然支持多 GPU 训练，但由于 PyTorch DataParallel 的限制及显存成本，建议使用的 GPU 数量与 Batch Size 保持一致。","某电商平台的视觉团队需要为海量模特照片批量应用新款口红妆容，以快速生成营销素材。\n\n### 没有 PSGAN 时\n- **姿态受限严重**：传统算法仅能处理正脸中性表情的照片，一旦模特侧头或微笑，妆容就会错位或涂抹到脸颊外。\n- **细节丢失明显**：强制迁移导致唇部纹理模糊，原本清晰的唇纹和光泽感被抹平，妆效显得廉价且假。\n- **人工修图成本高**：对于非标准姿态的图片，设计师必须手动逐帧调整蒙版或重绘，耗时耗力，无法应对大规模并发需求。\n- **视频处理不可行**：由于单帧处理效果不稳定，直接应用于视频会导致妆容在人物运动时出现剧烈闪烁和抖动。\n\n### 使用 PSGAN 后\n- **全姿态鲁棒支持**：PSGAN 凭借空间感知机制，完美适配侧脸、抬头及各种夸张表情，确保口红精准覆盖唇部区域。\n- **高清细节保留**：结合拉普拉斯变换技术，在迁移颜色的同时完整保留了模特原有的唇部纹理与高光，妆感自然逼真。\n- **自动化批量生产**：无需人工干预即可一次性处理成千上万张不同角度的素材，将原本数天的工作量缩短至几分钟。\n- **视频流顺畅应用**：直接对视频逐帧应用 PSGAN，生成的妆容在人物说话或转头时依然稳定连贯，无闪烁伪影。\n\nPSGAN 通过解决姿态与表情干扰难题，让高保真、定制化的虚拟试妆从实验室走向了大规模商业落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwtjiang98_PSGAN_9589d24f.png","wtjiang98","Wentao Jiang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwtjiang98_c7def988.jpg","CS PhD \u002F\r\nComputer Vision","Alibaba","Beijing","wtjiang98@gmail.com",null,"wtjiang98.github.io","https:\u002F\u002Fgithub.com\u002Fwtjiang98",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,783,149,"2026-03-29T11:46:15","MIT",4,"Linux","推理可选 GPU（需 dlib 支持 GPU），训练支持多 GPU；具体显卡型号、显存大小及 CUDA 版本未说明","未说明",{"notes":96,"python":97,"dependencies":98},"代码在 Ubuntu 16.04 上测试通过。若使用 GPU 进行推理，必须确保安装的 dlib 版本支持 GPU。训练数据需手动下载并放置于 data 目录。虽然支持多 GPU 训练，但受限于 PyTorch DataParallel 和显存成本，使用的 GPU 数量应与批次大小（batch size）保持一致。","3.6",[99,100],"torch==1.5","dlib",[14,15],[103,104,105,106,107,108],"psgan","pytorch","makeup-transfer","makeup","generative-adversarial-network","gan","2026-03-27T02:49:30.150509","2026-04-13T22:44:33.715553",[],[]]