推荐
drift_restore：把 Drifting 场搬到图像修复
一步图像修复（去噪 + JPEG 去压缩）：L1 打底保证稳定性，drifting 场负责锐度，推理只跑一次前向。记录 U-Net 修复器、级联 stage-2 的设计，以及笔记本规模训练里 PSNR +3dB 之后的震荡问题。
5 min read
图像修复 深度学习
文章
个人技术博客，记录开发路上的思考与实践。
归档
2026
drift_restore：把 Drifting 场搬到图像修复
一步图像修复（去噪 + JPEG 去压缩）：L1 打底保证稳定性，drifting 场负责锐度，推理只跑一次前向。记录 U-Net 修复器、级联 stage-2 的设计，以及笔记本规模训练里 PSNR +3dB 之后的震荡问题。
图像修复 深度学习
+3
mixdrift：不用 GAN、不用扩散，一步生成手写汉字
复现 Generative Modeling via Drifting 的条件生成实验：反对称 drifting 场 + 单步回归。从 2D toy 验证、特征空间的连续翻车，到像素空间 6 分钟训出可读的手写数字——记录一条被伪平衡点反复拦截的路线。
生成模型 深度学习
+3
墨蕴：把汉字识别做进 Minecraft
从 ONNX 模型到可玩的 Mod——记录三个阶段的完整开发历程：Fabric 原型、NeoForge 单人底座与玩法分离、Paper 服务端插件，以及把 7356 类手写识别变成 3D 法术系统的设计思考。
Minecraft Mod开发
+3
单字模型终章：八轮实验，从参数重分配到天花板探索
SharedEngramCupModel 之后继续推进单字分类的架构探索。标准残差骨干成为新的底模，冻结重排在相同路线下拿到最高分，ConvNeXtV2 单独赛道冲上 97%，以及 MBConv 轻量化失败证明了骨干选择比参数数量更重要。
汉字识别 深度学习
+3
汉字手写识别续章：从实验室到真实场景的单字模型升级
在初代单字模型基础上，将类别扩展到7356、重设计共享原型分类头、打通Competition外部验证，最终形成48/96/184三档可用模型。
汉字识别 深度学习
+4