720p到4K:用AI重铸工具还原老旧UI界面的完整实操指南
前阵子接了个老界面还原的活儿我拿到手的素材差点没把鼠标捏碎一张祖传的720p截图分辨率1280x720还带着当年压缩过一次的模糊纹理和锯齿边缘。客户非要我把它重铸成4K分辨率下的高精度界面设计稿用来做新版产品的视觉基准。正常思路是用PS的放大算法硬撑到3840x2160结果一试就知道这就是把马赛克变大马赛克细节全靠猜按钮边缘发虚文字糊成一片灰。后来我换了个思路用 Magnific 这类AI重铸工具来处理。几张图跑下来原本糊成一团的密着屏幕UI控件边缘该锐利的地方锐利小字号文本也基本能辨认金属高光和按钮渐变还顺带补全成接近真实渲染的效果。整个过程不是简单插值而是让模型理解这个位置原来是什么控件、大概长什么样再重建细节。这篇文章就把我对这套玩法的完整理解和实操过程写下来包括参数怎么调、不同截图怎么处理、哪些地方容易翻车希望能给同样在处理老旧UI素材的人一点参考。1. 为什么普通放大撑不住老旧 UI 截图很多人第一反应是放大图片而已谁不会按住Shift拖一下角标不就行了。但你把一张720p截图拖到全屏4K显示器上看就明白差距有多痛——所有边缘都带着一圈毛刺文字笔画糊成灰色块渐变过渡一段一段的断层图标里的线条直接断成虚线。1.1 老旧UI截图的失真类型老旧UI截图带着三类典型失真这三类问题靠传统算法基本无解。第一类是像素不足导致的边缘锯齿因为源图记录的信息本来就不够边缘斜线只能靠粗颗粒排列出来。第二类是压缩伪影早年的截图大多数经过高压缩率存储文件里残留大量色块和拖尾放大后就是一坨一坨的脏色带。第三类是细节丢失小字号文字、图标内部结构、纹理过渡这些在720p下本就没有足够像素表达放大后模型没有依据只能自己脑补。理解这三类问题很重要因为Magnific这类工具处理它们的逻辑完全不同。边缘锯齿靠边缘重建来修复模型根据线条走势重新生成平滑路径压缩伪影靠纹理替换来清洗模型把脏色区域重新渲染成干净材质细节丢失靠先验补全模型根据同类UI控件的经验猜测字段位置和结构。1.2 常见插值算法的天花板传统放大算法分两个梯队。第一梯队是近邻插值、双线性插值、双三次插值本质是用数学插值在像素之间填补中间值。这类算法不会增加任何新信息只是让像素尺寸变大锐度不变、细节不增看近距离边缘还是锯齿。第二梯队是一些边缘感知算法比如Lanczos和一些保锐化放大的插件。它们会尽力保留边缘对比度让线条看起来利落一点但同样不会凭空产生纹理细节。你把720p截图用这类算法放到4K按钮的高光纹理还是缺失小字还是糊的只是糊得更整齐而已。这两类算法有个共同点它们不理解图像内容。算法眼里只有一堆亮度值和颜色值没有这是按钮或者这是文字的语义概念所以没办法智能地重建应有的细节。这也是传统路线走到头的核心原因。1.3 Magnific 类重铸工具的工作原理Magnific 做的事情本质上是一个生成式重绘过程。模型先对输入画面做语义理解识别出图中的UI元素窗口边框、选项卡、按钮、输入框、文字区域、图标位置然后结合训练阶段见过的大量界面样本推测这些控件在高分辨率下应该呈现什么样的边缘、光影、纹理再逐区域生成细节。这个过程关键在于相似度控制。低相似度下模型自由发挥的空间大可能改掉原有颜色和版式高相似度下模型会尽量保持原图构图和配色只重建边缘和纹理细节。后面我会专门讲这个参数的用法这里先建立一个概念Magnific 不是一个滤镜是一个基于理解的修复引擎。我用一个类比来解释普通放大是把一张照片用打印机打大打印机的喷头只负责把墨点均匀铺开Magnific 则是请了一个见过几百张同类型界面老熟人让他看着模糊照片凭经验把按钮、文字、光影一点点补画出来。补画的结果取决于这个老熟人的见识和你的控制力度所以参数调整才是核心。2. 动手前的关键准备参数认知比工具还重要我见过很多人的操作方式是把图拖进去放大倍数拉到4倍点生成看效果不满意再重跑。这其实是效率最低的路线。因为你不理解每个参数的语义就只能靠瞎试而这种模型的随机性又比较大试几次心态就崩了。2.1 先算清楚目标尺寸和放大倍率第一步永远是确定输出分辨率。4K界面设计稿的标准尺寸是3840x2160如果你的源图是1280x720那么放大倍率需要达到3倍整。公式很简单目标宽度除以源图宽度就是这个方向的最小倍率。但实际操作中建议多做一步给放大倍率留出冗余。因为很多模型的放大过程会有轻微裁切或者分辨率归一化误差所以我会把倍率设定到3.2到3.5倍让目标分辨率达到4096x2304左右输出后自己再裁切成标准的3840x2160。这样给边缘区域留一点二次处理的空间不会出现边缘控件被切断的问题。还有个常见坑源图并不总是标准720p。有些截图其实是720p的窗口截图但四周带黑边或者系统边框需要裁剪之后再计算倍率。建议先在PS里把有效UI区域裁剪出来以裁剪后的尺寸为基准计算不然你放大的是整张带黑边的图UI区域实际只占画面的一部分细节补全强度会被稀释。2.2 理解放大细化的双阶段结构Magnific 的实际工作流一般拆成两个阶段。第一阶段是基础放大负责任务是从低分辨率生成高分辨率的基础结构相当于搭骨架第二阶段是细化Upscale和Enhance的叠加负责任务是给骨架表面增加材质细节和纹理相当于上色和抛光。很多人忽略第一阶段和第二阶段的区别以为跑一遍就完事。实际上对于720p到4K这种3倍以上的大跨度放大分阶段跑的效果远比一次到位稳定。我的习惯是第一遍主放大时相似度偏高确保整体构图和控件形态不变形第二遍细化时相似度略降让模型有空间补全更细的纹理和笔触。这个顺序不能反。如果第一遍就把相似度调低模型会在低分辨率下自由发挥可能直接改掉按钮形状甚至把两个相邻文字合并成字符到第二遍再怎么细化都救不回来了。先保结构后加细节顺序错了就像盖楼先刷墙。2.3 相似度不是越高越好相似度参数Similarity是整个工具里最容易被误解的滑块。它对标的不是和原图像不像而是模型在多大程度上可以偏离原图进行重构。理解这个区别很关键。原图720p的画质本身就是残缺的如果你把相似度拉满模型不敢改动任何像素那么实际上你做出来的就是一个高清版的模糊图边缘锯齿和压缩伪影原样保留信息量没有增加。反之如果把相似度压太低模型会根据自己的偏好把UI重画一版可能配色没变但按钮风格、字体形态都变成了模型记忆中常见的样子和你原始截图的风格彻底脱钩。实操中的平衡点需要按控件类型分区。文字密集的区域比如菜单栏、按钮文本、设置面板的标签栏相似度要偏高控制在0.7到0.8之间防止字形扭曲。大面积的纯色界面区域和渐变背景相似度可以稍微拉低控制在0.5左右让模型把色带断层重新渲染得光滑。图标和Logo属于高风险区域必须单独框选处理。2.4 迭代式处理而不是一把梭最后一个准备是改变操作心理预期不要指望一次生成就是完美结果。我处理一个界面一般会跑三轮。第一轮是全局放大目标是获得清晰的整体构图第二轮是分区细化选中文案区、图标区、边缘光效区等细节密集位置把放大倍数拉低到局部区域针对性地增强细节第三轮是整体降噪和一致性检查把各分区的色彩统一回来。为什么需要分区细化因为界面上不同区域的纹理复杂度差异极大。背景可能是简单的渐变按钮可能有一层金属拉丝效果文字区域有抗锯齿边缘图标有细腻的描边。全局统一参数只能照顾大部分区域对高细节区域力度不够对低细节背景又容易过度生成导致噪点。分区处理是为每个区域选择最优参数代价是多花一点时间但效果对比非常明显。3. 完整实操把一张720p截图重铸成4K界面理论说了一堆下面走一遍完整流程。我就拿之前处理过的那个复古桌面软件窗口来举例它有一些图标、一个侧边栏、标题栏和一些状态文字界面整体是深色金属质感源图是1280x720的窗口截图目标是输出3840x2160的干净界面底图。3.1 第一步源图预处理先复制一份原始素材在PS里做三个动作。第一裁剪掉窗口周围的黑边和桌面背景只保留有效的窗口区域这一步通常能让有效分辨率提高10%以上。第二用色阶工具把明暗对比恢复到正常范围很多老旧截图整体偏灰是因为当年的存储编码对比度偏低在放大前先拉回正常对比度后续模型的细节重建会更准确。第三手动修掉明显的坏点和压缩马赛克块用一个很小的模糊笔刷在脏点位置涂抹一下让这些区域变成平滑的过渡色避免模型把这些噪声当成细节去重建。预处理这一步很多人偷懒直接跳过结果是一个脏点被模型放大成一大块异常纹理后期处理很麻烦。花五分钟做预处理后面省半小时。3.2 第二步倍率设定与主放大我选择把源图尺寸调整为1280x720目标分辨率设定为4096x2304倍率3.2倍。为了生成稳定性把Magnific的相似度先设定为0.6。为什么要0.6而不是更高的0.8因为这是全局第一阶段我需要模型在保持整体布局的同时有一定的自由度去重建边缘细节、去除压缩伪影。如果一上来就0.8压缩伪影区域模型会因为太忠诚而把脏色带也保留下来。生成耗时大约一两分钟这个阶段的结果基本已经能看出纹理方向金属质感的高光开始出现文字笔画虽然还有一点模糊但轮廓基本清晰。放大结果的构图和原图高度一致没有出现按钮位置偏差或文字篡改的情况说明0.6的相似度在这个阶段是安全的。生成后我先在100%缩放下过了一遍整体效果最直观的问题是背景渐变有一些横向条带小字体的边缘仍然偏软。这些问题的解决都放在后续阶段。3.3 第三步分区细化与修复这时把图片拖入PS用矩形选择工具把界面分成几个区域标题和菜单文字区、侧边栏导航、主内容面板、底栏状态区域。文字区域的局部放大参数我调整成相似度0.75、细化强度中等。因为文字区域最怕字形扭曲宁可清晰度提升慢一点也不能接受结构变形。生成后逐字检查重点看键设置这类笔画多的字是否糊成团有没有多一根笔画或少一根笔画的现象。侧边栏导航区域有图标和文字混排我先单独选中图标区域相似度调到0.55让模型把图标的细节补全得丰富一些再把文字区域单独选出来用0.7处理。分区处理完后再合并回整张图整个侧边栏的效果一致性明显比全局处理时更好。主内容面板里有一块金属纹理的背景这属于容易出现过度创造的区域。模型看到材质的暗示后会花费大量算力去生成不存在的纹理导致画面花掉。处理技巧是这块区域放大时相似度提高到0.65并把细化强度调低让材质弱化处理保留细腻的微纹理就好。3.4 第四步导出前的检查与微修分区细化完成后整张图已经接近3840x2160了但这时候还不能直接交付。我做三件事一是把整图放大到200%逐区域划屏检查寻找有没有不自然的纹理堆叠或边缘像素溢出。二是调整全局锐化用USM锐化半径设为0.8像素强度控制在60%到80%之间这一步能让边缘收紧但注意别把背景也加锐出颗粒感。三是做整体降噪在有轻微颗粒的渐变区域加一点表面模糊让4K大图上不会出现星星点点的彩色噪声。最后裁切到3840x2160后导出。到这一步整张图已经看不出原来720p截图的影子但放大对比原图时又能明确判断出每个控件的对应关系达到重铸不重画的效果。4. 实战与参数建议三类典型场景不同来源的老旧UI截图问题差异很大参数不可能一套通用。我按三类高频场景整理了一些可行的起点参数都是实测下来比较稳定的组合。注意这些参数是起点不是终点跑完一轮看结果再微调。4.1 老游戏界面色彩浓烈、噪点重老游戏UI截图的特点是半透明面板、彩色边框、颗粒噪点、以及大量手绘风格的图标。这类图片最怕的是模型把噪点脑补成更多噪点导致画面脏兮兮的。处理思路是第一阶段相似度偏高到0.65先把结构和颜色稳住第二阶段细化强度调低让模型不要过度添加材质感。手绘风格的图标是很脆弱的部分模型如果没有见过同类风格可能会把它重绘成现代扁平风格所以图标区域必须单独选中并把相似度拉高到0.75以上。色彩方面老游戏UI的饱和度和对比度通常偏高放大后容易出现色块溢出。建议在预处理阶段先把饱和度降低5%左右生成后再用PS拉回来给模型留出更大的处理容差。4.2 早期移动端界面小字密集、边缘脆处理早期手机App截图时最大的难题是密集的小字号文字。状态栏时间和电池图标、底部导航标签、列表里的次级说明文字在720p源图里可能只有十几个像素高全靠模型先验补全。策略是全局参数保守化相似度0.7起步细化强度中等。对文字特别密集的顶部状态栏区域单独把相似度提到0.8防止状态栏时间数字被改成奇怪的字体。对空白的背景区域可以把相似度降到0.4让模型自由补全平滑渐变对比之下文字区域会更锐利。移动端界面还有个问题圆角矩形的边缘。模型在重建圆角时偶尔会产生内缩或外扩变形导致圆角大小与原图不一致。检查时尤其要注意底部导航栏和卡片阴影区域这些地方出现微小圆角变化不容易被察觉但整体对比度会觉得哪里不太对。4.3 复古桌面软件窗口金属质感、渐变断层桌面软件窗口截图常见的年代感来源是金属质感面板、渐变标题栏、拟物化图标。这类界面在4K时代已经被扁平设计取代模型训练素材里这类风格偏少所以重建难度最高。处理重点是金属高光的连续性。老截图里的金属高光通常是一块渐变条压缩后渐变变成一段一段的色阶。处理思路是把相似度降低到0.5让模型有更大空间把渐变色阶平滑化同时细化强度调高让金属反射纹理更真实。另一个高发问题在窗口边框。模型可能把1像素的细边框重建为M形状或直接消失。我会在放大前用PS手动把边框区域框出来用2到3像素的浅色描一笔给模型一个明确的边界信号这样重建效果会稳定很多。4.4 参数起点速查表场景类型全局相似度局部高安全区相似度细化强度预处理重点老游戏UI0.65图标区0.75中低降饱和度、去噪早期移动端0.7文字区0.8中等还原对比度、修碎点复古桌面窗口0.5边框区0.65中高补描边框、清理压缩色块这个表用来应付大多数场景足够但特殊风格还是需要按实际画面灵活调整。建议强迫自己养成习惯每次修改参数后把改动和结果记录在案多用几个案例之后就能建立直觉。5. 常见问题速查与避坑心得用这类工具处理UI截图翻车点其实比风景图要多因为UI元素有极强的结构和语义约束一旦模型理解错了结果是肉眼可见的诡异。我把踩过的坑集中列出来方便你排查。5.1 文字出现伪影或笔画粘连这是最常出问题的地方。症状是放大后文字边缘出现额外的暗色线条或者两个字符黏在一起。排查思路先看相似度是不是低于0.5低相似度会让模型在文字区域的自由发挥空间过大再看有没有对文字区域单独做局部处理。如果全局跑出来的文字效果不满意不要反复重跑全局直接选中文字区域做二次放大并把相似度提高到0.8以上。另外要留心字体中空结构比如口回这类框形字模型偶尔会在框内生成噪点纹理手动涂抹掉即可。5.2 Logo被改得不像原版Logo和图标对形状极其敏感一点点风格偏移都会让人产生图形被换了的感觉。模型看到不太清晰的图标时可能会套用自己记忆中某个类似图标的形态导致严格意义上画的不是同一个东西。避坑方式是必须单独处理。选中Logo区域把相似度拉高到最高档放大倍数单独设定为和整体一致生成后马上对比原图的重合度。如果还有轻微偏差就切低强度局部重绘不要让模型自由发挥。5.3 相似度调很高但结果还是偏离有一种情况让人很郁闷已经把相似度调到0.9生成的构图还是和原图不一致。原因通常是输入图的原始内容本身质量太差模型在解析阶段就抓错了语义信息。比如图标在源图上只有8像素模型辨认不出是齿轮还是花朵于是只能凭概率补全高相似度也救不回来。对策是人工喂提示词。想一下这个区域大概是什么元素用文字描述辅助模型理解。有些工具支持提示词引导你把齿轮图标金属质感边缘清晰这类描述加进去生成结果的准确度立刻不一样。把模型当成年纪大但眼神不好的搭档你需要口头告诉它那里是什么。5.4 快查表问题典型原因首选对策文字笔画粘连相似度过低文字区单独升高相似度Logo变形模型语义误判局部高相似度提示词边缘出现条纹细化强度过高调低细化强度高光断层相似度太高不敢重构全局降相似度平滑化图像整体偏灰预处理对比度不足先拉色阶再放大5.5 我的几个独家心得用了大半年这类工具有几条经验分享给你。第一任何时候都不要把重要素材只处理一遍。我会在生成结束后立即把PDF或PSD格式的备份存好再把JPG出图。这样后续发现问题还能回到高清中间文件重新修改不用从头开始跑。第二纹理类界面比图像类界面难处理得多。图像类只要颜色过渡自然人眼看不出太多问题界面类一旦边缘细节不对马上就会被发现。所以界面处理中保住结构永远优先于增加细节。就算大了以后表面光滑一些也好过边缘飘忽变形后者是硬伤。第三不要迷信一次成图。我遇到的最复杂的一次总共跑了七八轮每轮只改一个很小的区域。这个过程看起来慢但每轮都有针对性避免了全局重新生成带来的随机性。经验是小步快进局部多次迭代整体效果永远优于大步单次因为模型每轮生成的随机性会被锁死在局部不会扩散到整张画面。这套工作流出图质量比我预想的高很多。现在拿到任何一张老旧界面截图我都不再觉得是死路一条。只要预处理做好、参数选对、给够生成轮数720p到4K的重铸完全是可以稳定复制的操作流程。希望这些经验能帮你把手里那些糊成马的旧素材重新变成能撑起大屏精度的设计底稿。

相关新闻

线性回归三种实现:OLS、批量梯度下降与SGD对比实战

线性回归三种实现:OLS、批量梯度下降与SGD对比实战

简介:以红酒数据集为切入点的线性回归实战资源,面向刚接触机器学习、希望掌握回归分析实操的Python学习者,也适合用于课程实验或项目练手。压缩包共6个文件:3个Python脚本分别基于普通最小二乘法、批量梯度下降法与随机梯度下降法…

2026/10/18 10:52:52 阅读更多 →
Warmup学习率调度全解析:原理、实现与调参实战

Warmup学习率调度全解析:原理、实现与调参实战

在深度学习训练里,学习率调度是最容易“出效果”也最容易“翻车”的环节之一。很多人第一次接触 Warmup Scheduler,是在某个开源项目里看到get_cosine_schedule_with_warmup这个函数,或者在某个训练技巧分享里听到“前多少步用小的学习率热热…

2026/10/18 10:52:52 阅读更多 →
[Unity-AI开发篇] AI操控Unity:Unity+MCP+Rider 接入 TaoToken 统一 Key 实战

[Unity-AI开发篇] AI操控Unity:Unity+MCP+Rider 接入 TaoToken 统一 Key 实战

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/18 10:52:52 阅读更多 →

最新新闻

Flink实时计算三要素:Window、State与Checkpoint深度解析

Flink实时计算三要素:Window、State与Checkpoint深度解析

做实时计算绕不开这几个词:Window、State、Checkpoint。不管你是刚接触Flink,还是已经写了一段时间作业,总会遇到数据算不准、重启后状态丢了、窗口边界对不齐这类问题。我见过很多新手一上来就写业务代码,结果窗口和状态混在一起…

2026/10/18 11:32:06 阅读更多 →
YOLOv12即插即用模块化改进:注意力机制与跨尺度融合实战

YOLOv12即插即用模块化改进:注意力机制与跨尺度融合实战

1. 模块即插即用的整体设计思路1.1 为什么我坚持用模块替换而不是重构整个网络YOLOv12 的改进工作做到第三部分,先说一下我的总体判断:如果你不是做学术研究、不是想发论文,而是手上有一个实际项目要落地,最好的做法不是把网络结构…

2026/10/18 11:32:06 阅读更多 →
AI信息源清单与100美元低成本训练:一份可落地的技术路径指南

AI信息源清单与100美元低成本训练:一份可落地的技术路径指南

最近在 GitHub 上扒到一份挺有意思的开源收藏:92 个 AI 信息源被整理成一份清单,论文、开源仓库、Newsletter、播客、社区讨论全都收进去了。我第一次刷完这份清单的感觉是“这也太干了”,但真正用了一段时间后,我意识到值钱的不是…

2026/10/18 11:32:06 阅读更多 →
高校统一身份认证系统设计:CAS单点登录与安全实现指南

高校统一身份认证系统设计:CAS单点登录与安全实现指南

1. 为什么要做高校统一身份认证前阵子有个A同学抱着毕设题目来问我:“Java写一个高校统一身份认证系统,到底怎么做才是对的?”我一看题目就明白了,这几乎是每届计算机毕设的常客。做的人多,但真正把“统一身份认证”这…

2026/10/18 11:32:06 阅读更多 →
Java实现TRC20收款系统:从区块扫描到幂等回调的完整实践

Java实现TRC20收款系统:从区块扫描到幂等回调的完整实践

简介:这是一套基于Java开发的TRC20收款系统完整源码包,面向Java后端开发者与区块链应用集成人员,可用于快速搭建支持USDT(TRC20)收款的业务平台。资源共377个文件,压缩包仅6.15MB,结构清晰&…

2026/10/18 11:32:06 阅读更多 →
LangChain SQL Agent实战:构建企业级自然语言查数助手

LangChain SQL Agent实战:构建企业级自然语言查数助手

说实话,直到今天,仍然有大量团队在“让大模型直接写SQL”这件事上反复踩坑。裸调大模型接口,让它根据一句“帮我查一下上个月华东区哪些客户的回款逾期了”生成SQL,然后把结果丢给用户——你很快会发现几类问题:生成的…

2026/10/18 11:31:06 阅读更多 →

日新闻

基于GMM的语音识别系统原理与MATLAB实现详解

基于GMM的语音识别系统原理与MATLAB实现详解

说到基于高斯混合模型(GMM)的语音识别系统,很多人第一反应就是一堆数学公式,觉得门槛很高。但如果你真的在MATLAB里把它落地跑通,会发现核心其实就是三件事:把声音变成特征向量,用GMM给每个类别…

2026/10/18 0:00:55 阅读更多 →
数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理这四个字听起来挺唬人,但落到具体操作上,无非就是让计算机按你的想法“摆弄”像素。我在一个模拟项目X里用了一套特别经典的基础处理流程:对图像做反白、改调色板、彩色转灰度,最后把像素数据导出成txt文件。单看每一…

2026/10/18 0:00:55 阅读更多 →
机器人大脑技术盘点:具身智能的感知、决策与数据闭环

机器人大脑技术盘点:具身智能的感知、决策与数据闭环

如果你的信息流最近也天天刷到“机器人大脑”这个词,你会发现一个很有意思的现象:每个人说的“大脑”根本不是同一个东西。有人指的是大语言模型,有人指的是运动控制系统,还有人指的是能理解物理世界的端到端模型。在2026年这个时…

2026/10/18 0:00:55 阅读更多 →

周新闻

基于GMM的语音识别系统原理与MATLAB实现详解

基于GMM的语音识别系统原理与MATLAB实现详解

说到基于高斯混合模型(GMM)的语音识别系统,很多人第一反应就是一堆数学公式,觉得门槛很高。但如果你真的在MATLAB里把它落地跑通,会发现核心其实就是三件事:把声音变成特征向量,用GMM给每个类别…

2026/10/18 0:00:55 阅读更多 →
数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理这四个字听起来挺唬人,但落到具体操作上,无非就是让计算机按你的想法“摆弄”像素。我在一个模拟项目X里用了一套特别经典的基础处理流程:对图像做反白、改调色板、彩色转灰度,最后把像素数据导出成txt文件。单看每一…

2026/10/18 0:00:55 阅读更多 →
机器人大脑技术盘点:具身智能的感知、决策与数据闭环

机器人大脑技术盘点:具身智能的感知、决策与数据闭环

如果你的信息流最近也天天刷到“机器人大脑”这个词,你会发现一个很有意思的现象:每个人说的“大脑”根本不是同一个东西。有人指的是大语言模型,有人指的是运动控制系统,还有人指的是能理解物理世界的端到端模型。在2026年这个时…

2026/10/18 0:00:55 阅读更多 →

月新闻

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/18 0:55:02 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/17 17:22:31 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/16 14:23:36 阅读更多 →