[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zhilin007--FFA-Net":3,"tool-zhilin007--FFA-Net":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":75,"owner_twitter":75,"owner_website":75,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":75,"difficulty_score":10,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":142},9519,"zhilin007\u002FFFA-Net","FFA-Net","FFA-Net: Feature Fusion Attention Network for Single Image Dehazing","FFA-Net 是一款专为单张图像去雾设计的深度学习开源模型，由北京大学与北京航空航天大学联合研发。它主要解决户外或室内拍摄时，因大气散射导致图像对比度降低、色彩失真及细节模糊的问题，能将朦胧的雾天照片还原为清晰透亮的画面。\n\n该工具的核心亮点在于其独特的“特征融合注意力网络”架构。不同于传统方法，FFA-Net 通过通道注意力与像素注意力机制，智能地聚焦于图像中的关键区域与特征通道，并结合残差密集块进行多层次特征融合。在权威 RESIDE 数据集的测试中，其在室内与室外场景下的去雾效果（PSNR 与 SSIM 指标）均显著优于当时的主流算法，展现了卓越的复原能力。\n\nFFA-Net 非常适合计算机视觉领域的研究人员、AI 开发者以及需要高质量去雾预处理的专业设计师使用。项目基于 PyTorch 框架，提供了完整的训练与测试代码，并支持在 NVIDIA GPU 环境下高效运行。无论是希望深入探究注意力机制在底层视觉任务中应用的学者，还是寻求将先进去雾算法集成到实际系统中的工程师，都能从中获得宝贵的参考与实用的工具支持。","##  [FFA-Net: Feature Fusion Attention Network for Single Image Dehazing](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.07559) (AAAI 2020)\n Official implementation.\n\n---\n\nby Xu Qin, Zhilin Wang et al.    Peking University and Beijing University of Aeronautics & Astronautics.\n\n### Citation\n\n@inproceedings{qin2020ffa,  \n  title={FFA-Net: Feature fusion attention network for single image dehazing},  \n  author={Qin, Xu and Wang, Zhilin and Bai, Yuanchao and Xie, Xiaodong and Jia, Huizhu},  \n  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},  \n  volume={34},  \n  number={07},  \n  pages={11908--11915},  \n  year={2020}  \n}\n\n### Dependencies and Installation\n\n* python3\n* PyTorch>=1.0\n* NVIDIA GPU+CUDA\n* numpy\n* matplotlib\n* tensorboardX(optional)\n\n### Datasets Preparation\n\nDataset website:[RESIDE](https:\u002F\u002Fsites.google.com\u002Fview\u002Freside-dehaze-datasets\u002F) ; Paper arXiv version:[[RESIDE: A Benchmark for Single Image Dehazing](https:\u002F\u002Fwww.google.com\u002Furl?q=https%3A%2F%2Farxiv.org%2Fpdf%2F1712.04143.pdf&sa=D&sntz=1&usg=AFQjCNHzdt3kMDsvuJ7Ef6R4ev59OFeRYA)]\n\n\u003Cdetails>\n\u003Csummary> FILE STRUCTURE \u003C\u002Fsummary>\n\n```\n    FFA-Net\n    |-- README.md\n    |-- net\n    |-- data\n        |-- RESIDE\n            |-- ITS\n                |-- hazy\n                    |-- *.png\n                |-- clear\n                    |-- *.png\n            |-- OTS \n                |-- hazy\n                    |-- *.jpg\n                |-- clear\n                    |-- *.jpg\n            |-- SOTS\n                |-- indoor\n                    |-- hazy\n                        |-- *.png\n                    |-- clear\n                        |-- *.png\n                |-- outdoor\n                    |-- hazy\n                        |-- *.jpg\n                    |-- clear\n                        |-- *.png\n```\n\u003C\u002Fdetails>\n\n\n### Metrics update\n|Methods|Indoor(PSNR\u002FSSIM)|Outdoor(PSNR\u002FSSIM)|\n|-|-|-|\n|DCP|16.62\u002F0.8179|19.13\u002F0.8148|\n|AOD-Net|19.06\u002F0.8504|20.29\u002F0.8765|\n|DehazeNet|21.14\u002F0.8472|22.46\u002F0.8514|\n|GFN|22.30\u002F0.8800|21.55\u002F0.8444|\n|GCANet|30.23\u002F0.9800|-\u002F-|\n|Ours|36.39\u002F0.9886|33.57\u002F0.9840|\n### Usage\n\n#### Train\n\n*Remove annotation from [main.py](net\u002Fmain.py) if you want to use `tensorboard` or view `intermediate predictions`*\n\n*If you have more computing resources, expanding `bs`, `crop_size`, `gps`, `blocks` will lead to better results*\n\ntrain network on `ITS` dataset\n\n ```shell\n python main.py --net='ffa' --crop --crop_size=240 --blocks=19 --gps=3 --bs=2 --lr=0.0001 --trainset='its_train' --testset='its_test' --steps=500000 --eval_step=5000\n ```\n\n\ntrain network on `OTS` dataset\n\n\n ```shell\n python main.py --net='ffa' --crop --crop_size=240 --blocks=19 --gps=3 --bs=2 --lr=0.0001 --trainset='ots_train' --testset='ots_test' --steps=1000000 --eval_step=5000\n ```\n\n\n#### Test\n\nTrained_models are available at baidudrive: https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1-pgSXN6-NXLzmTp21L_qIg with code: `4gat`\n\nor google drive: https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F19_lSUPrpLDZl9AyewhHBsHidZEpTMIV5?usp=sharing\n*Put  models in the `net\u002Ftrained_models\u002F`folder.*\n\n*Put your images in `net\u002Ftest_imgs\u002F`*\n\n ```shell\n python test.py --task='its or ots' --test_imgs='test_imgs'\n```\n#### Samples\n\n\u003Cp align='center'>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_87694812d229.png\" height=\"306px\" width='413px'> \n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_db45b98ea022.png' height=\"306px\" width='413px' >\n\n\u003C\u002Fdiv>\n\n\u003Cp align='center'>\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_e71f2e9bb17a.jpg' height=\"606px\" width='413px'> \n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_e9a9f2b09d40.png' height=\"606px\" width='413px' >\n\n\u003C\u002Fdiv>\n\n","##  [FFA-Net：用于单张图像去雾的特征融合注意力网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.07559)（AAAI 2020）\n官方实现。\n\n---\n\n作者：Xu Qin、Zhilin Wang 等，北京大学与北京航空航天大学。\n\n### 引用\n@inproceedings{qin2020ffa,  \n  title={FFA-Net: Feature fusion attention network for single image dehazing},  \n  author={Qin, Xu and Wang, Zhilin and Bai, Yuanchao and Xie, Xiaodong and Jia, Huizhu},  \n  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},  \n  volume={34},  \n  number={07},  \n  pages={11908--11915},  \n  year={2020}  \n}\n\n### 依赖与安装\n\n* python3\n* PyTorch≥1.0\n* NVIDIA GPU+CUDA\n* numpy\n* matplotlib\n* tensorboardX（可选）\n\n### 数据集准备\n\n数据集官网：[RESIDE](https:\u002F\u002Fsites.google.com\u002Fview\u002Freside-dehaze-datasets\u002F)；论文 arXiv 版本：[[RESIDE：单张图像去雾基准](https:\u002F\u002Fwww.google.com\u002Furl?q=https%3A%2F%2Farxiv.org%2Fpdf%2F1712.04143.pdf&sa=D&sntz=1&usg=AFQjCNHzdt3kMDsvuJ7Ef6R4ev59OFeRYA)]\n\n\u003Cdetails>\n\u003Csummary> 文件结构 \u003C\u002Fsummary>\n\n```\n    FFA-Net\n    |-- README.md\n    |-- net\n    |-- data\n        |-- RESIDE\n            |-- ITS\n                |-- hazy\n                    |-- *.png\n                |-- clear\n                    |-- *.png\n            |-- OTS \n                |-- hazy\n                    |-- *.jpg\n                |-- clear\n                    |-- *.jpg\n            |-- SOTS\n                |-- indoor\n                    |-- hazy\n                        |-- *.png\n                    |-- clear\n                        |-- *.png\n                |-- outdoor\n                    |-- hazy\n                        |-- *.jpg\n                    |-- clear\n                        |-- *.png\n```\n\u003C\u002Fdetails>\n\n\n### 指标更新\n|方法|室内(PSNR\u002FSSIM)|室外(PSNR\u002FSSIM)|\n|-|-|-|\n|DCP|16.62\u002F0.8179|19.13\u002F0.8148|\n|AOD-Net|19.06\u002F0.8504|20.29\u002F0.8765|\n|DehazeNet|21.14\u002F0.8472|22.46\u002F0.8514|\n|GFN|22.30\u002F0.8800|21.55\u002F0.8444|\n|GCANet|30.23\u002F0.9800|-\u002F-|\n|我们的方法|36.39\u002F0.9886|33.57\u002F0.9840|\n### 使用方法\n\n#### 训练\n\n* 如果您想使用 `tensorboard` 或查看 `中间预测结果`，请移除 [main.py](net\u002Fmain.py) 中的相关注释*\n\n* 如果您有更多计算资源，适当增大 `bs`、`crop_size`、`gps`、`blocks` 参数将有助于获得更好的效果*\n\n在 `ITS` 数据集上训练网络：\n\n ```shell\n python main.py --net='ffa' --crop --crop_size=240 --blocks=19 --gps=3 --bs=2 --lr=0.0001 --trainset='its_train' --testset='its_test' --steps=500000 --eval_step=5000\n ```\n\n\n在 `OTS` 数据集上训练网络：\n\n ```shell\n python main.py --net='ffa' --crop --crop_size=240 --blocks=19 --gps=3 --bs=2 --lr=0.0001 --trainset='ots_train' --testset='ots_test' --steps=1000000 --eval_step=5000\n ```\n\n\n#### 测试\n\n已训练好的模型可在百度网盘下载：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1-pgSXN6-NXLzmTp21L_qIg，提取码：`4gat`\n\n或谷歌云盘：https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F19_lSUPrpLDZl9AyewhHBsHidZEpTMIV5?usp=sharing\n* 将模型放入 `net\u002Ftrained_models\u002F` 文件夹。*\n\n* 将您的图片放入 `net\u002Ftest_imgs\u002F` 文件夹。*\n\n ```shell\n python test.py --task='its or ots' --test_imgs='test_imgs'\n``` \n#### 样例\n\n\u003Cp align='center'>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_87694812d229.png\" height=\"306px\" width='413px'> \n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_db45b98ea022.png' height=\"306px\" width='413px' >\n\n\u003C\u002Fdiv>\n\n\u003Cp align='center'>\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_e71f2e9bb17a.jpg' height=\"606px\" width='413px'> \n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_readme_e9a9f2b09d40.png' height=\"606px\" width='413px' >\n\n\u003C\u002Fdiv>","# FFA-Net 快速上手指南\n\nFFA-Net (Feature Fusion Attention Network) 是用于单图像去雾的深度学习模型，由北京大学等机构提出，发表于 AAAI 2020。本指南帮助开发者快速搭建环境并运行模型。\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\n*   **操作系统**: Linux (推荐) 或 Windows\n*   **Python**: Python 3.x\n*   **深度学习框架**: PyTorch >= 1.0\n*   **硬件**: NVIDIA GPU 及对应的 CUDA 环境\n*   **依赖库**:\n    *   `numpy`\n    *   `matplotlib`\n    *   `tensorboardX` (可选，用于可视化训练过程)\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FDehaze-FFA-Net\u002FFFA-Net.git\n    cd FFA-Net\n    ```\n\n2.  **安装 Python 依赖**\n    建议先配置好 PyTorch 环境（可访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取适合您环境的安装命令），然后安装其他依赖：\n    ```bash\n    pip install numpy matplotlib tensorboardX\n    ```\n    > **提示**：国内用户可使用清华源加速安装：\n    > `pip install numpy matplotlib tensorboardX -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n3.  **准备数据集**\n    *   下载 **RESIDE** 数据集（包含 ITS, OTS, SOTS 等子集）。\n    *   按照以下目录结构将数据集放入 `data\u002FRESIDE\u002F` 文件夹中：\n    ```text\n    FFA-Net\n    |-- data\n        |-- RESIDE\n            |-- ITS\n                |-- hazy\u002F*.png\n                |-- clear\u002F*.png\n            |-- OTS \n                |-- hazy\u002F*.jpg\n                |-- clear\u002F*.jpg\n            |-- SOTS\n                |-- indoor\u002Fhazy\u002F*.png\n                |-- indoor\u002Fclear\u002F*.png\n                |-- outdoor\u002Fhazy\u002F*.jpg\n                |-- outdoor\u002Fclear\u002F*.png\n    ```\n\n## 基本使用\n\n### 1. 测试预训练模型（推荐新手首选）\n\n如果您只想体验去雾效果，无需重新训练，可直接使用官方提供的预训练模型。\n\n*   **下载模型**：\n    *   百度网盘：链接: `https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1-pgSXN6-NXLzmTp21L_qIg` 提取码: `4gat`\n    *   Google Drive: [下载地址](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F19_lSUPrpLDZl9AyewhHBsHidZEpTMIV5?usp=sharing)\n*   **放置文件**：\n    *   将下载的模型文件放入 `net\u002Ftrained_models\u002F` 目录。\n    *   将您需要去雾的图片放入 `net\u002Ftest_imgs\u002F` 目录。\n*   **运行测试**：\n    ```bash\n    python test.py --task='its' --test_imgs='test_imgs'\n    ```\n    *注：`--task` 参数可根据数据集类型选择 `its` 或 `ots`。*\n\n### 2. 训练模型\n\n如果您需要从头训练网络，可以使用以下命令。根据显存大小，可适当调整 `bs` (batch size) 等参数以获得更好效果。\n\n*   **在 ITS 数据集上训练**：\n    ```bash\n    python main.py --net='ffa' --crop --crop_size=240 --blocks=19 --gps=3 --bs=2 --lr=0.0001 --trainset='its_train' --testset='its_test' --steps=500000 --eval_step=5000\n    ```\n\n*   **在 OTS 数据集上训练**：\n    ```bash\n    python main.py --net='ffa' --crop --crop_size=240 --blocks=19 --gps=3 --bs=2 --lr=0.0001 --trainset='ots_train' --testset='ots_test' --steps=1000000 --eval_step=5000\n    ```\n\n> **提示**：若需使用 TensorBoard 查看训练曲线或中间预测结果，请编辑 `net\u002Fmain.py` 文件，取消相关代码行的注释。","某智慧城市交通监控团队正在处理一批因雾霾天气导致能见度极低的路口抓拍图像，急需恢复画面细节以进行后续的车辆识别与事故分析。\n\n### 没有 FFA-Net 时\n- **细节丢失严重**：传统去雾算法（如 DCP）在处理浓雾时容易过度增强，导致天空区域出现伪影，远处车辆轮廓依然模糊不清。\n- **色彩失真明显**：去雾后的图像往往偏色严重，原本红色的刹车灯或交通信号灯变得暗淡或变色，干扰人工研判。\n- **算法泛化性差**：在室内监控或光线复杂的户外场景中，旧模型参数固定，无法自适应不同浓度的雾气，需人工反复调整阈值。\n- **下游任务受阻**：由于图像信噪比低且边缘信息缺失，接入的 AI 车牌识别系统准确率从正常的 95% 骤降至 60% 以下。\n\n### 使用 FFA-Net 后\n- **特征融合精准复原**：FFA-Net 利用特征融合注意力机制，有效保留了高频细节，即使在大雾环境下也能清晰还原远处车辆的纹理与边缘。\n- **色彩高度保真**：通过端到端的深度学习训练，输出图像的色彩分布与真实无雾场景高度一致，确保交通信号灯颜色准确无误。\n- **全场景自适应强**：无论是在 RESIDE 数据集中的室内还是复杂户外场景，FFA-Net 均能自动适应雾气浓度，无需人工干预即可输出稳定结果。\n- **赋能业务指标提升**：经过去雾处理的高清图像使后端车牌识别准确率回升至 92% 以上，大幅降低了人工复核的成本。\n\nFFA-Net 通过先进的注意力机制将模糊的“雾里看花”转化为清晰可用的视觉情报，显著提升了恶劣天气下智能监控系统的实战效能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhilin007_FFA-Net_e71f2e9b.jpg","zhilin007","王智林","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzhilin007_87c4d357.png",null,"Beijing University of Aeronautics and Astronautics","beijing","https:\u002F\u002Fgithub.com\u002Fzhilin007",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,720,150,"2026-04-08T05:13:08","","必需 NVIDIA GPU 且支持 CUDA，具体型号、显存大小及 CUDA 版本未说明","未说明",{"notes":91,"python":92,"dependencies":93},"该工具用于单图像去雾。训练时若拥有更多计算资源，扩大批处理大小 (bs)、裁剪尺寸 (crop_size)、每组块数 (gps) 和块数量 (blocks) 可获得更好结果。预训练模型需从百度网盘或 Google Drive 下载并放入指定文件夹。数据集需自行从 RESIDE 网站下载并按特定目录结构存放。","python3",[94,95,96,97],"PyTorch>=1.0","numpy","matplotlib","tensorboardX",[14,15],[100,101,102,103,104],"ffa","pytorch","aaai2020","ffanet","single-image-dehazing","2026-03-27T02:49:30.150509","2026-04-19T15:38:04.422346",[108,113,117,122,127,132,137],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},42721,"为什么模型在真实雾天图像上的去雾效果不理想？","这是正常现象。该网络在真实雾天图像上的表现并不完美，其他网络也是如此。主要原因在于训练图像与真实雾天图像来自完全不同的域（Domain），不能期望模型在两个不同域上都能表现出色，这涉及域适应（Domain Adaptation）领域的问题。","https:\u002F\u002Fgithub.com\u002Fzhilin007\u002FFFA-Net\u002Fissues\u002F2",{"id":114,"question_zh":115,"answer_zh":116,"source_url":112},42722,"如何引用这篇论文？","该论文已被 AAAI 2020 录用，但尚未正式出版。您可以引用 arXiv 版本，或者等待 AAAI 2020 的正式版本发布。",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},42723,"代码中张量形状不兼容（例如 w 和 res1 相乘）是怎么回事？","这不是错误。PyTorch 的 Conv2d 输出遵循 [B, C, H, W] 的约定（Batch, Channel, Height, Width）。因此，res1 的形状实际上是 [B, dim, H, W]，这与经过 reshape 后的 w 的维度是匹配的，可以正常进行乘法运算。","https:\u002F\u002Fgithub.com\u002Fzhilin007\u002FFFA-Net\u002Fissues\u002F18",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},42724,"非中国用户无法下载百度网盘上的预训练模型，有其他下载方式吗？","由于百度网盘需要中国手机号注册，非中国用户确实存在困难。建议联系作者请求将模型上传至 Google Drive、Dropbox 等国际通用平台。（注：原 Issue 中用户反馈已解决，通常意味着作者后续提供了替代链接或社区分享了镜像）。","https:\u002F\u002Fgithub.com\u002Fzhilin007\u002FFFA-Net\u002Fissues\u002F9",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},42725,"如何获取并打印分组结构输出中的通道级和像素级特征权重图（Attention Map）？","您需要使用 PyTorch 的 'register_forward_hook' 函数来获取模型的中间结果。通过注册 hook，可以在前向传播过程中捕获特定层的输出，从而提取特征权重图。","https:\u002F\u002Fgithub.com\u002Fzhilin007\u002FFFA-Net\u002Fissues\u002F3",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},42726,"main.py 代码中的 mean=[0.456..., 0.383..., 0.364...] 是如何计算出来的？","该行代码在项目中是冗余的，后续会被删除。'mean' 意指计算 RGB 通道的均值。如果您需要自行计算，可以使用公式：mean = np.mean(imgs, axis=(0, 1, 2))，其中 imgs 是您的图像数据集数组。","https:\u002F\u002Fgithub.com\u002Fzhilin007\u002FFFA-Net\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},42727,"为什么我无法复现论文中报告的 OTS 数据集结果？","这是一个已知争议点。有用户指出难以复现论文报告的性能，甚至质疑实验真实性。如果遇到复现困难，建议仔细检查数据预处理步骤是否与论文一致，或参考社区中高引用量的讨论以获取潜在的配置调整建议。","https:\u002F\u002Fgithub.com\u002Fzhilin007\u002FFFA-Net\u002Fissues\u002F23",[]]