计算机毕业设计--基于深度学习技术（U-Net架构下融合生成对抗网络GAN与Transformer）的专一或多类别图像修复算法（含Github代码+桌面应用GUI+Web端在线体验界面）

置顶 已于 2025-03-27 14:28:44 修改
阅读量6k 收藏 96
点赞数 30
分类专栏： 计算机毕业设计 文章标签： 课程设计 深度学习 毕业设计 图像处理 transformer 生成对抗网络 U-Net网络
于 2023-12-12 12:05:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45566099/article/details/134942373
版权

基于深度学习技术（U-Net架构下融合生成对抗网络GAN与Transformer）的专一或多类别图像修复算法

如果要做旧照片清晰化，划痕修复，请参考这篇CSDN作品👇

计算机毕业设计–基于深度学习的图像修复（清晰化+划痕修复+色彩增强）算法设计与实现（含Github代码+GUI+Web端在线体验界面）

如果您想对灰度图片进行图像上色，请参考这篇CSDN作品👇

计算机毕业设计-基于深度学习的老(旧)照片色彩复原、上色算法模型设计与实现（对抗生成式网络GAN、含Github代码与Web端设计）

更多基于深度学习方向的毕业设计请关注专栏 --- 深度学习相关计算机毕业设计

✨ 人脸修复Demo（模型训练基于CelebA-HQ数据集 - 4万张图）

在这里插入图片描述

✨ 建筑、风景等自然图像修复Demo（模型训练基于Places2数据集 - 180万张图）

  • 作者正忙，稍后上传

✨ 图像修复算法Web端演示视频

破损图像修复算法系统演示视频

✨ 图像修复在线体验

👇

Web端在线体验地址：✅访问这里进行图像修复在线体验✅

在线体验地址已经集成了训练好的模型，您只需点击选择使用的模型即可！
☝

图像修复论文开题报告&&任务书

  提示： 本科生做深度学习毕业设计是比做一个系统更容易通过答辩与毕业的，学校对本科生掌握深度学习知识的程度不高，只需要能大致讲述出模型的设计流程，并在论文中写清楚即可。
  另外，本科生做深度学习的项目一般不能纯做算法（因为老师清楚本科生并不具备单独研究算法的能力），所以应该以算法+应用为主，因此一定需要一个为算法配套的可视化交互程序（Web端或者GUI桌面应用程序）。该项目设计了GUI和Web页面两种配套应用，一般来说，选择其一就可以。

本项目提供该项目可用的开题报告与任务书供免费下载使用（开题报告不查重）
📦：图像修复论文可用开题报告&&任务书下载链接：

通过网盘分享的文件：破损图像修复开题报告&&任务书.doc
链接: https://pan.baidu.com/s/1k7P5HQtDLqw1plzNBCQ3WQ?pwd=jkbb 提取码: jkbb

在线体验使用方式：
  使用前请先阅读上方提示。对于Mask复用，您可以任意点击下方Examples中的示例，然后替换掉待修复图片即可 (另外Mask也可以从下方提供的百度网盘下载，也可以自行制作，要求512*512黑白图)

注意： 修复第一张图的时候耗时较长，大约15秒左右。从第二张图开始，速度就会快起来，大约5秒左右一张（这主要是因为为了节约服务器资源，第一次启动的时候模型需要加载进显卡中）

在这里插入图片描述

Celeba-HQ数据集下模型的训练日志（采用Tensorboard可视化工具）

在这里插入图片描述
在这里插入图片描述

模型研究背景

  近年来，相关研究表明在处理图像修复问题时构建能够捕捉远程相互作用的模型至关重要。这一能力对于恢复图像的完整性和细节起着关键作用。为了达成这一目标，目前已有的方法主要分为两类：一类是借助传统的数字图像处理技术，这类技术虽然历史悠久，但在应对现代复杂图像时存在一定的局限性；另一类则是采用单一且结构相对简单的卷积神经网络（CNN）架构。然而，无论是传统技术还是简单的CNN结构，在处理低分辨率的复杂图像时，都显得捉襟见肘，难以达到理想的修复效果。

  针对上述挑战，本课题创新性地提出了一种全新的图像修复模型。该模型巧妙地融合了对抗生成网络（GAN）和Transformer架构的优势，能够有效地对各种分辨率下的复杂图像进行精准修复。通过这种融合，模型不仅能够捕捉图像中的长距离依赖关系，还能生成高质量的修复结果，为图像修复领域提供了一种更强大、更有效的解决方案。

模型结构设计

  本研究构建的图像修复模型创新地融合了GAN和ViT技术，采用受U-Net启发的U形架构。骨干网络的不同层级承担不同功能，第1、2层作为生成器，负责从输入图像中提取特征并进行下采样；第4、5层充当判别器，执行上采样操作以恢复图像细节。而第3层是模型的关键创新点，它集成了ViT的编解码器和多头注意力机制，借助自注意力机制整合不同位置的特征，使模型对图像全局信息的理解能力大幅增强，能够有效捕捉长程依赖关系。同时，模型运用resnet-18对原始图像进行特征提取，降低了ViT编码解码器的计算负担，在减少计算量的情况下保留主要特征，之后将处理后的特征输入由ViT结构构成的U-Net变体中进行后续处理。

  为进一步提升模型性能，本模型还引入了风格迁移模块。该模块在GAN的对抗学习过程中，通过额外的噪声输入改变卷积层权值归一化，从而影响模型输出，使模型在学习过程中更好地区分噪声和有效图像特征，增强泛化能力。在模型训练环节，采用非饱和对抗损失函数替代传统的损失函数，避免对误差的同等对待，更关注大误差情况，优化模型训练过程，最终实现图像修复质量和效果的提升。

交互系统开发

  该项目基于训练完成的模型，开发了两种不同的交互系统界面。分别是可打包为.exe文件的基于QT开发的GUI界面（如下图所示），以及一个Web前后端项目（Web端样式同在线体验连接）

  • Web端：同在线体验连接

  • GUI桌面应用程序：
    在这里插入图片描述

模型性能指标测试、消融实验

  • 包括SSIM（Structural Similarity）结构相似性指标、PSNR（Peak signal-to-noise ratio） 峰值信噪比、PID、UID指标以及训练过程中Acc和Loss的评估。如果你是在私有数据集上训练的模型，那么上述测试数据需要在自己训练过的模型上才能完成指标测试，相关测试以及模型消融实验数据请联系作者（联系方式见文末）

🚀 算法模型获取

PS：如果通过Github访问项目，需要科学上网。但是注意最好不要通过“加速通道”访问，因为我的代码常有更新维护，加速通道中的项目版本同步不及时可能较老

📦：训练人脸修复模型的数据集CelebA-HQ在这里下载（也可以换用其他图片进行测试，但选择使用数据集中的4万张图进行测试效果最好）

百度网盘分享的文件
链接：https://pan.baidu.com/s/1f8v6-OQsK_6YHvlvTvovGQ?pwd=khgb 
提取码：khgb

📦：用于标记破损位置的的Mask示例可在这里下载（必须使用Mask，Mask的作用是告知模型图片破损的位置）

百度网盘分享的文件
链接：https://pan.baidu.com/s/1Det77BagB6Xm3LdKG1_JFA?pwd=zz1k 
提取码：zz1k

运行要求

  • 运行算法与Web前端需要 Python >= 3.8
  • 运行GUI界面需要下载Qt Create编译器 5.14.2 版本
  • 我提供在 CelebA-HQ 和 Places2 数据集训练好的两个模型，建议使用带有Nvidia（英伟达）系列的显卡（例如常见的GeForce 1060、3090、4090、5090等都是Nvidia系列的）
  • 如果电脑没有独立显卡也可使用该模型（需通过内存加载模型并丢给CPU进行推理计算，不过推理速度会慢一些）

⚡️环境配置及使用方法（Windows / Linux / Mac均适用）

环境配置

方式一：使用conda在本地部署环境
# 从github上Clone项目（需要你安装了git工具）
git clone https://github.com/zxx1218/image_fix.git

# 使用conda创建环境
conda create -n imgfix python=3.8
conda activate imgfix 

# 安装依赖
pip install -r requirements.txt
方式二：使用Docker部署项目（不了解Docker最好不要采用这种方式）
# 联系作者咨询，联系方式在文末

模型使用方法

方式一：启动Web端应用（支持电脑手机端口页面自适应） * 效果同上述在线体验连接

部署好环境后使用如下命令启动web端（会启动在127.0.0.1:xxxx的本机环回地址下，图中示例为9091端口)

cd img_fix/
python main.py

回车后会自动启动Web服务，在控制台看到如下信息代表成功启动，在浏览器打开弹出的URL即可👇
Web端启动示意图
注：项目也支持进行基于Python的FastApi框架后端服务器部署。如有需要，联系作者，联系方式在文末

方式二：启动基于QT的桌面应用（支持打包发布为桌面.exe可执行文件）

使用Qt Create编译器运行QT代码即可直接使用（SQLlite数据库为代码内嵌，无需特别配置），启动后首先经过注册与登录界面，登录后效果如下图

  1. 用户选择Mask上传后，会自动覆盖在原图上输入给模型，GUI中间框中显示为原图覆盖Mask后的效果图）
  2. 开发了基于用户历史修图记录的查询功能，支持不同登录用户按需调取过往修图信息

在这里插入图片描述

方式三：大批量图像批量修复（通过控制台 / cmd / 终端）

部署好项目后跟随执行如下命令：

# 首先cd到算法代码imf_fix根目录下
cd img_fix

# 将待修复图片放在文件夹imf_fix/test_sets下

# 执行generate_image.py文件（这里需要根据您的修复需求添加相关参数）
python generate_image.py --参数1 --参数2 --参数n

控制台显示如下日志信息代表批量修图成功（图中在文件夹下放置了10张图片进行修复）👇

控制台批量修图演示

算法模型使用演示视频（桌面应用 & Web前端 & 控制台）

1. 访问Web页面进行图像修复

Web端在线体验地址：✅访问这里进行图像修复在线体验✅

破损图像修复算法系统演示视频

2. 通过QT桌面应用进行图像修复

视频中上传的黑白图中黑色部分代表图片的破损位置，模型会将黑白图完全覆盖在原图上通过未破损位置对破损位置进行修复。（V2.0版本中上传的Mask会覆盖在原图上进行显示。视频中演示的是V1.0版本）

桌面应用演示V1.0版本

PS：2025.3.26 QT界面已经升级到V2.0版本，提供了内嵌的sellite轻量级数据库支持（使用无需额外配置）以及GUI界面的美化（主要为mask上传后显示为在原图上的覆盖），并添加了用户历史修图记录查询功能。

3. 通过控制台（cmd - 终端）进行批量修复（一次性修复若干张图）

在终端调用模型进行批量图像修复

🔧 如何自己训练模型?

  • 训练自己想要的定制化图像修复模型只需要准备好待修复图片即可，训练过程作者已经包装为脚本，两步操作即可训练，具体训练方式请咨询作者

⭐️作者联系方式：

  • VX：Accddvva
  • QQ：1144968929
  • Github提供训练好的模型文件以及调用该文件进行修图的测试代码（Github开源代码中不含模型定义源码、训练代码以及QT的桌面端GUI代码，提供可供测试的模型文件，拉取Git代码后安装环境可进行修图测试）
  • 该项目完整代码 + 详细环境配置（如有需要可提供模型远程部署）+ GUI界面 + Web端 + 训练方式 == 价格300RMB
  • 如果你的电脑没有合适的GPU，或需要自行训练私有数据而自己的GPU显存不够，作者另提供GPU服务器免费使用服务（到当年6月底毕业季结束），免费提供60G显存+256G内存云服务器（可使用Vscode、OpenSSH、PuTTY、Xshell、SecureCRT、MobaXterm等远程工具连接）

人脸（CelebA-HQ）：

建筑&风景（Places）：

一些模型训练可用的公开数据集

  • 人脸（提供训练过的模型文件）公开数据集CelebA-HQ：链接：https://github.com/tkarras/progressive_growing_of_gans
    制作机构：Tero Karras, Samuli Laine, Timo Aila 和 NVIDIA 的研究人员制作-内含约4万张训练图片
  • 自然场景（提供训练过的模型文件）公开数据集Places2：链接：http://places2.csail.mit.edu/download.html
    制作机构：斯坦福大学和微软研究院共同制作-内含180万张训练图片
  • 街景公开数据集Paris StreetView：链接：http://opendata.paris.fr/explore/dataset/photos-de-rue-a-paris/
    制作机构：巴黎市政府
  • 文理公开数据集DTD：链接：http://www.robots.ox.ac.uk/~vgg/data/dtd/。
    制作机构：英国牛津大学计算机视觉研究团队
  • 建筑公开数据集Façade：链接：
    GitHub上的项目：https://github.com/shannontian/facade-parsing
    官方网站：CMP Facade Database
    数据集共享平台：https://www.vision.ee.ethz.ch/datasets_extra/facade/
    制作机构：Czech Technical University in Prague (捷克技术大学)

Advertisement

  • 作者于浙江某985高校就读人工智能方向研究生(CSDN已认证)，可以定制模型，并提供相应技术文档以及各种需要，只需要描述需求即可
  • 人工智能、深度学习领域，尤其是计算机视觉（Computer vision，CV）方向的模型or毕业设计，只要你想得出，没有做不出
深度学习笔记——生成对抗网络GAN
haopinglianlian的博客
11-29 2533
本文详细介绍早期生成式AI的代表性模型：生成对抗网络GAN。
毕业设计：python基于深度学习的音乐推荐方法研究系统（源码 + 数据库 + 说明文档）
06-10
毕业设计：python基于深度学习的音乐推荐方法研究系统（源码 + 数据库 + 说明文档） 2深度学习的算法研究 8 2.1卷积神经网络介绍 8 2.1.1卷积神经网络特性 8 2.1.2卷积的方式 8 2.2基本内容推荐算法 8 2.3基于协同过滤的推荐算法 9 2.4深度学习技术相关概念 10 2.5深度学习技术推荐算法 10 2.6KNNBaseline算法 11 3基于深度学习的音乐推荐系统算法需求 12 3.1需求设计 12 3.2可行性分析 12 3.2.1技术可行性 12 3.2.2经济可行性 12 3.2.3操作可行性 12 3.3其他功能需求分析 13 4系统设计 14 4.1系统的整体设计 14 4.2数据库的设计 14 5系统的实现 16 5.1系统的首页 16 5.2音乐播放界面的实现 16 5.3音乐推荐功能的实现 17 5.4后台管理系统的实现 18 6系统的测试 19 6.1测试的目的 19 6.2测试的内容 19 6.3测试的结果 19
毕业设计：基于深度学习的人脸活体识别与陌生人闯入检测系统 人工智能
最新发布
2301_79555157的博客
04-10 800
结合人脸活体识别与陌生人闯入检测的综合安全系统利用深度学习技术（如卷积神经网络）对人脸图像进行特征提取，实现高精度的人脸识别。为有效防止欺骗攻击，引入活体检测技术，通过分析面部动态特征（如眨眼、微笑等）来识别真实人脸。在活体识别和陌生人检测任务中均表现出较高的准确率和实时性，为企业提供了安全有效的解决方案。本研究为提升企业安全管理水平，保护员工及公司资产安全提供了重要的技术支持。
基于深度学习的图像修复系统设计与实现（附源码）
在信息的熵增中，记录结构、重建秩序。 技术思想者的笔记，系统构建者的注释。
03-18 1087
本项目构建基于 深度学习 的 图像修复系统，结合 Transformer + CNN + 扩散模型 提升修复质量，适用于 照片恢复、医学影像填补、视频修复 等场景。系统采用 Swin Transformer 进行高效特征提取，扩散模型提升细节填补，并通过 知识蒸馏、剪枝、量化 进行 轻量化优化，适配 Jetson Nano、移动端。此外，支持 文本 + 深度信息引导修复，增强语义控制。实验表明，优化后的模型在 Places2 数据集 上 SSIM 达 95.4%，推理速度提升 2.5 倍。
毕业设计：基于深度学习的垃圾识别分类系统 人工智能
2301_79555157的博客
03-04 2707
毕业设计：基于深度学习的垃圾识别分类系统通过结合深度学习和计算机视觉技术，该系统能够从大量的图像数据中学习垃圾的特征，并实现高精度的垃圾识别和分类。这为计算机毕业设计提供了一个创新的方向，结合了深度学习和计算机视觉技术，为毕业生提供了一个有意义的研究课题。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，提供了一个具有挑战性和创新性的研究课题。无论您对深度学习技术保持浓厚兴趣，还是希望探索机器学习、算法或人工智能的领域的同学，能为您提供灵感和指导。
毕业设计-基于深度学习的花卉识别分类
Hai_Lang_IT的博客
04-06 4082
毕业设计-基于深度学习的花卉识别分类：近年来，互联网技术快速发展，微博、小红书和微信等社交网络平台的兴起，使网 络上充斥着各种人们用于记录生活的图片和视频。其中，图片作为重要的信息载体，成 为人们沟通外界的主要方式。网络中的图片数量繁多、信息丰富，如何从海量图片中筛 选需要的内容并运用于现实世界是人们关注的热点。随着网络技术的飞速发展，人们可以通过手机等设备方便地拍摄各类花卉图片，图 片的采集成本日益下降，海量的图像数据为融合了统计学、数据科学和计算机科学的机 器学习技术在花卉识别领域成为主流方法提供了支持
基于GAN的图像修复
03-21
一种基于GAN对抗神经网络的图像修复算法，使用CELE-A作训练数据，采用随机掩膜MASK来损坏图片
使用Swin-Transformer的图像修复
cshsjdh的博客
04-07 1109
好处有两个：(1)Transformer 可以有效捕捉长距离依赖，Swin Transformer 将自注意力计算限制在分割的不重叠窗口内从而降低计算量；(2) 使用 CNN 在 Transformer Layer 后避免原论文中的层级结构，实现即插即用，同时在 Transformer 中 CNN 可以稳定训练过程与融合特征。以往通过GAN等方式的图像修复大多是以卷积网络进行的，本文讲解一个基于Swin-Transformer的SwinIR模型，包括：浅层特征提取、深层特征提取和高质量图像重建。
NeurIPS 2022 | 交叉聚合：基于Transformer的图像复原模型
TechBeat人工智能社区博客
02-21 2282
提出了一个新的Transformer模型（Cross Aggregation Transformer，CAT）
[计算机毕业设计]深度学习技术在图像修复模型中的应用
Hai_Lang_IT的博客
11-18 2177
深度学习图像修复修补的方法基本上也是基于梯度/边缘的连续性或者纹理的扩展性，而传统机器学习方法可以学习有先验知识的图像合成方法。下面介绍深度学习的方法。
基于深度学习的图像修补/完整方法分析
我爱计算机视觉
08-24 2996
点击我爱计算机视觉标星，更快获取CVML新技术作者：黄浴，奇点汽车美研中心首席科学家兼总裁来源：知乎，已获作者授权，禁止二次转载。https://zhuanlan.zhihu.com/p...
基于U-Net架构下融合生成对抗网络GAN与Transformer的专一或多类别图像修复算法.zip
04-02
基于U-Net架构下融合生成对抗网络GAN与Transformer的专一或多类别图像修复算法.zip
深度学习之图像修复
01-27
本文来自于csdn，文章介绍了一种基于CNN的图像复原方法，包括CNN网络结构，关于内容生成网络的训练和Loss NN的定义等相关内容。图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。从直观上看，这个问题能否解决是看情况的，还原的关键在于剩余信息的使用，剩余信息中如果存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分相似。而这，就是现在比较流行的PatchMatch的基本思想。 CNN
Python-利用TensorFlow中的深度学习进行图像修复
08-11
利用TensorFlow中的深度学习进行图像修复
基于 U-Net 的结构纹理图像修复方法研究与实现
2401_88237740的博客
10-23 1568
在本章中，构建了一种基于U-Net的结构纹理图像修复方法。该网络使用生成对抗网络作为基本框架来实现，破损图像用 Input 来指代，Edge 用来指代破损图像的边缘图，网络的核心结构是双分支 U-Net 网络，CBAM 用来指代混合注意力模块，判别器是一个二分支结构，Detected Edge 用来指代修复图像边缘图的灰度图。其网络结构如下。
《Transformer的多模态应用》-基于Transformer的视觉-语言任务：图像描述生成
viviwiky的博客
11-11 1481
Transformer架构首次提出于2017年，彻底颠覆了之前以RNN和CNN为主的序列建模方式。Transformer的核心组件包括自注意力机制（Self-Attention）、位置编码（Positional Encoding）和多头注意力机制（Multi-Head Attention）。自注意力机制：使模型能够通过加权求和的方式捕捉序列中各个元素之间的相互关系。位置编码：由于Transformer本身不具备序列顺序的建模能力，因此引入位置编码来表示元素在序列中的位置信息。
TransUNet: 通过Transformer的视角重新思考U-Net架构在医学图像分割中的设计|文献速递-Transformer架构在医学影像分析中的应用
weixin_38594676的博客
09-20 1869
Luo 等，2021）以及结肠镜检查中的息肉分割（Zhou 等，2019）。值得注意的是，与竞争力很强的nn-UNet相比，TransUNet在多器官分割和胰腺肿瘤分割中分别实现了1.06%和4.30%的Dice平均提升，并超越了BrasTS2021挑战赛的排名第一的解决方案。在本研究中，我们展示了TransUNet的通用框架，该框架将Transformer的自注意力机制封装到两个关键模块中：(1) Transformer编码器将卷积神经网络（CNN）特征图中的图像块进行标记，有助于提取全局上下文；
GAN在图像修复中的应用:ImageInpainting
AI天才研究院
04-06 2102
GAN在图像修复中的应用:ImageInpainting 作者：禅与计算机程序设计艺术 1. 背景介绍 图像修复(Image Inpainting)是指利用图像中已有的信息,对图像中损坏或缺失的部分进行恢复和填补的技术。这项技术在许多应用场景中都有广泛的
图像修复-SwinIR: Image Restoration Using Swin Transformer
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
10-13 1406
SwinIR是一个专门用于图像修复任务的基线模型，它基于Swin Transformer架构。相比于基于卷积神经网络的传统方法，SwinIR利用了Transformer在高层次视觉任务中的优异表现。
基于深度学习毕业设计
09-06
基于深度学习的毕业设计项目是使用深度学习技术来识别和管理设备的状态。深度学习是在20世纪90年代就被提出的，但由于当时计算机技术的限制，没有引起广泛的关注和发展。直到2012年，AlexNet卷积神经网络在图像分类竞赛中表现出色，深度学习特别是卷积神经网络引起了人们的广泛关注和深入研究。除了AlexNet，还有许多其他的深度学习网络，如香港中文大学的DeepID系列、Google的FaceNet网络和牛津大学的VGG网络等。深度学习具有特征自动学习和强大的泛化能力等优点，因此在人脸识别问题上得到了广泛的应用推动人脸识别技术的发展。然而，深度学习也存在一些缺点，如需要大量的训练数据、训练时间长和收敛困难等问题。另外，计算复杂度对人脸识别也有影响，随着任务复杂度和训练数据的增加，计算复杂度也急剧增加，这会增加训练和测试所需的时间，并且可能导致过拟合问题。基于深度学习的毕业设计项目将使用深度学习技术来解决设备状态识别和管理的问题。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [python毕业设计—基于深度学习的设备状态识别管理系统.zip](https://download.csdn.net/download/weixin_55305220/85906354)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [毕业设计 :基于深度学习的人脸识别【全网最详细】 - opencv 卷积神经网络](https://blog.csdn.net/HUXINY/article/details/122294809)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

苯酸氨酰糖化物

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值