前言
说到幻影坦克，我就想起红色警戒里的……
幻影坦克（Mirage Tank），《红色警戒2》以及《尤里的复仇》中盟军的一款伪装坦克，盟军王牌坦克之一。是爱因斯坦在德国黑森林中研发的一种坦克。虽然它无法隐形，但它却可以利用先进的光线偏折原理可以伪装成树木（岩石或草丛）来隐藏自己。
在一些MOD中，幻影坦克可以选择变换的树木，这样便可以和背景的树木融合，而不会令人生疑。
额！这是从什么百科ctrl+v过来的吗。我跟你说个P~ UBG
不过话说回来，里面有一句说到和背景融合，这大概就是这种图片的原理所在了。
一些聊天软件或网站总是以白色背景和黑色背景（夜间模式）显示图片，你在默认的白色背景下看到一张图（图A），但是点击放大却变成另一张图（图B）。这是因为查看详情使用的背景是黑色背景。
之前在网上看到用PS制作幻影坦克效果图的方法，了解到几个图层混合模式的公式，也录制过PS动作来自动化操作。但总感觉不够效率，作为极客嘛，当然是要用代码来完成这些事情。
一、准备图片
创建一个文件夹Import，将你要处理的所有图片都放到这个文件夹里
图片的命名方式：
- 白色背景显示图A、黑色背景显示图B这种形式的，图B的文件名字是图A的名字加后缀_d
例如，图A为1.png，图B则为1_d.png，与之配对成为一组即可 - 表面是白色图片（图A），点击显示隐藏图片（图B）。这里并不需要你指定一张白色图片，不需要更改图片名字，程序找不到与之配对的后缀_d图片，会自动生成白色图片（图A）
- 相反的，表面看是图片（图A），点击却消失成纯黑色（图B）。只需要在图片名字加后缀_black
二、Python+PIL代码实现过程
Ⅰ. 初始化
注：脚本文件与 Import文件夹在同一目录
运行，导入模块，定义变量，创建导出目录Export，并将工作目录切换到Import
# -*- coding: utf-8 -*- # python 3.7.2 # 2019/04/21 by sryml. import os import math from timeit import timeit from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor from multiprocessing import cpu_count # import numba as nb import numpy as np from PIL import Image # --- IMPORT_FOLDER = 'Import' EXPORT_FOLDER = 'Export' IMAGE_FILES = [] # ALIGN2_A = 0 ALIGN2_B = 1 ALIGN2_MAX = 'max' NO_MODIFT = 0 STRETCH = 1 CONSTRAINT_RATIO = 2 # --- if __name__ == '__main__': if not os.path.exists(EXPORT_FOLDER): os.makedirs(EXPORT_FOLDER) os.chdir(IMPORT_FOLDER)
Ⅱ. 将所有要处理的图片文件添加到列表
执行all_img2list()
获取当前目录（Import）所有文件，按名字升序排序。将后缀带_d的图B与图A配对一组，白图到原图，原图到黑图的图片也进行相关标记并存到一个列表。每个元组将生成一张幻影坦克图片
def all_img2list():
global IMAGE_FILES
IMAGE_FILES= []
Imgs = os.listdir('./')
Imgs.sort(key= lambda i: os.path.splitext(i)[0])
for i in Imgs:
name = os.path.splitext(i)
imgB= name[0]+'_d' + name[1]
if imgB in Imgs:
Imgs.remove(imgB)
img_group= (i,imgB)
elif name[0][-6:].lower() == '_black':
img_group= (i,'_black')
else:
img_group= (i,None)
IMAGE_FILES.append(img_group)
Ⅲ. 自动化处理，多进程任务分配
执行AutoMTank()
不想让cpu满载运行，进程数量为cpu总核心减1，将列表里所有元组分成N等份集合的列表task_assign（N为进程数量）
def AutoMTank():
cpu = cpu_count()-1
pool = ProcessPoolExecutor(cpu) #max_workers=4
L = IMAGE_FILES
F = int(len(L)/cpu)
task_assign = [L[n*F:] if (n+1)==cpu else L[n*F:(n+1)*F] for n in range(cpu)]
results = list(pool.map(FlashMakeMTank, task_assign))
pool.shutdown()
print ('\n%d辆幻影坦克制作完成！' % len(IMAGE_FILES))
每个进程对接到的任务列表进行多线程处理：FlashMakeMTank
因为是图片算法处理，属于计算密集型，线程数量不需要太多。经过测试多线程还是有点效率提升的，线程数就设置为cpu核心数吧。
def FlashMakeMTank(task): pool = ThreadPoolExecutor(cpu_count()) results = list(pool.map(MakeMTank, task)) pool.shutdown()
Ⅳ. 盟军战车工厂
每个线程都将它接到的任务 - 图片组丢给我们的盟军战车工厂：MakeMTank 来生产幻影坦克
开头是打开图A和图B文件对象赋值给imgA和imgB，判断到那些想要白图到原图效果的图片，则在内存中生成一张纯白色的图片对象赋值给imgA。原图到黑图则生成纯黑色图片对象赋值给imgB
别以为这战车工厂看起来这么短，实际上算法都是通过调用函数获得返回结果，解释起来可有点费劲
def MakeMTank(i_group):
ratios= [0,0]
align= []
if not i_group[1]:
imgB= Image.open(i_group[0])
imgA= Image.new('L',imgB.size,(255,))
elif i_group[1]=='_black':
imgA= Image.open(i_group[0])
imgB= Image.new('L',imgA.size,(0,))
else:
imgA= Image.open(i_group[0])
imgB= Image.open(i_group[1])
ratios= [0.5,-0.5] #明度比值
# ALIGN2_MAX(取最大的宽和最大的高) ALIGN2_A(缩放到图A) ALIGN2_B(缩放到图B)
# NO_MODIFT(不修改) STRETCH(拉伸) CONSTRAINT_RATIO(约束比例)
align= [ALIGN2_B, CONSTRAINT_RATIO]
A_Size,B_Size= imgA.size,imgB.size
img_objs= [imgA,imgB]
for n,img in enumerate(img_objs):
if img.mode== 'RGBA':
img= img.convert('RGB')
img_array= np.array(img)
if img.mode != 'L' and ( [(img_array[:,:,i]==img_array[:,:,2]).all() for i in range(2)]!= [True,True] ):
img= Desaturate(img_array) #去色
else:
img= img.convert('L')
if align and (A_Size!=B_Size):
img= ImgAlign(n,img,A_Size,B_Size,align) #图像对齐
if ratios[n]:
img= Lightness(img,ratios[n]) #明度
img_objs[n]= img
imgA,imgB = img_objs
imgA = Invert(imgA) #反相
imgO = LinearDodge(imgA, imgB) #线性减淡（添加）
imgR = Divide(imgO, imgB) #划分
imgR_mask = AddMask(imgR, imgO) #添加透明蒙版
name= os.path.splitext(i_group[0])[0]
imgR_mask.save('../'+EXPORT_FOLDER+'/' + name+'.png')
图片对象打开完成之后呢，把它们放到一个列表里遍历它进行操作
首先判断到图片模式是否为RGBA，最后的A表示这张图片是带有透明通道的。而我们的幻影坦克原理就是利用的透明通道，怎能让它来胡搅蛮缠呢，速速将它转换为RGB模式
接着将图像对象转为数组，判断这张图片如果不是灰度模式并且还没有去色的情况下，那就要对它进行去色操作了。
去完色的再将它转为灰度模式。
有些人可能对灰度和去色有什么误解，灰度 ≠ 去色，这是重点。虽然它们的结果都是灰色的图片，但是算法不一样，呈现的图片对比度也不一样，直接转成灰度的坦克是没有灵魂的。RGB图片直接转灰度会丢失一些细节，所以要对它进行去色操作。下面的操作都是仿照PS的步骤来处理了
(1) 去色函数：Desaturate
公式：( max(r,g,b) + min(r,g,b) ) / 2
每个像素取其RGB颜色中最大与最小值的均数
这个函数接受一个数组参数
例如某个像素RGB值(233,50,23)，计算得出 (233+23) / 2 = 128，这时候此像素点三个通道都是同一个值(128,128,128)
这个算法过程消耗的性能较多，像一张1000*1000的图片就得进行一百万次计算，因此我使用了numba.jit加速。
对图片数组进行操作，使用argsort()将所有像素的RGB值从小到大排序并返回一个索引数组。
uint8类型的值的范围在0~255，若计算出的值不在这范围则会抛出溢出错误，因此使用了int。
我创建了一个灰度图片数组data，将每一个对应像素的均值赋值给它，相当于去色后再转为灰度模式。
最后返回由数组转换成的图片对象
@nb.jit def Desaturate(img_array): idx_array = img_array.argsort() width = img_array.shape[1] height = img_array.shape[0] data = np.zeros((height,width),dtype=np.uint8) for x in range(height): for y in range(width): idx= idx_array[x,y] color_min= img_array[x,y, idx[0]] color_max= img_array[x,y, idx[2]] data[x,y]= round( (int(color_min) + int(color_max)) / 2 ) return Image.fromarray(data)
(2) 图像对齐：ImgAlign
对齐方式（列表类型两个值）
例如我要把图A对齐到图B且按比例缩放：mode = [ALIGN2_B, CONSTRAINT_RATIO]
这个函数接受5个参数
①当前图片序号（0代表图A，1代表图B）
②当前图片对象
③ - ④图A和图B的尺寸
⑤对齐方式
def ImgAlign(idx,img,A_Size,B_Size,mode):
size= img.size
old_size= (A_Size,B_Size)
if mode[0]== ALIGN2_MAX:
total_size= max(A_Size[0], B_Size[0]), max(A_Size[1], B_Size[1])
if size != total_size:
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if min_diff != 0 and mode[1]:
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
elif idx != mode[0]:
total_size= old_size[mode[0]]
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if (min_diff > 0 and mode[1]) or (min_diff < 0):
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
return img
(3) 明度函数：Lightness
公式：255 * ratio + img * (1-ratio)
"htmlcode">
def Lightness(img,ratio): if ratio>0: return img.point(lambda i: int(i*(1-ratio) + 255*ratio)) return img.point(lambda i: math.ceil(i*(1+ratio)))
实际上这是图层的不透明度混合公式，PS中，明度的实现就是在当前图层的上方创建一个白色或黑色图层，然后调整其透明度即可。所以，
明度调 100% 相当于白色图层的不透明度为100%，显示纯白
明度调 -100% 相当于黑色图层的不透明度为100%，显示纯黑。
看到这里，要暂停一下了。是不是感觉说了这么多都没有提到幻影坦克的详细原理，是的，只有当你理解了PS的不透明度混合公式，你才能理解后面的步骤。
(3-x) 重点！！推导幻影坦克的原理……
这里需要用到PS的几个图层混合模式
不透明度混合公式：Img输出 = Img上 * o + Img下 * (1 - o)
小字母o代表不透明度。想一想，把两张图片导入到PS，上面的图层命名为imgA，下面的图层为imgB。
当imgA的不透明度为100%（o=1）时，根据图层混合公式得到img输出=imgA，也就是完全显示上层图像。
当imgA的不透明度为0%（o=0）时，得到img输出=imgB，完全显示下层图像。
当不透明度为50%，自然就看到了A与B的混合图像。
但是我们要将这两张图给整进一张图里，然后在类似手机QQ这种只有白色背景和黑色背景的环境下，分别显示出imgA和imgB。听起来有点抽象，不要慌，我们来列方程。假设这张最终成果图为imgR
① ImgA = ImgR * o + 255 * (1 - o)
白色背景下
② ImgB = ImgR * o + 0 * (1 - o)
黑色背景下（点击放大后）
这时候ImgR充当上图层（Img上）。它有一个固定不透明度o，或者说是它的图层蒙版（ImgO表示ImgR的蒙版），蒙版的像素值为0~255的单通道灰度色值。填充为黑色0相当于图层的不透明度为0%，填充为白色相当于图层不透明度为100%。那么这个固定不透明度 o 实际上就是 ⑨ o = ImgO / 255
而Img下就是聊天软件中的白色背景和黑色背景两种可能了。
现在来解一下方程，由②得：
ImgR = ImgB / o
将⑨ o = ImgO / 255 代入得
③ ImgR = ImgB / ImgO * 255
将③和⑨代入①得：
ImgA = (ImgB / ImgO * 255) * (ImgO / 255) + 255 * (1 - ImgO / 255)
ImgA = ImgB / ImgO * ImgO / 255 * 255 + 255 * (1 - ImgO / 255)
ImgA = ImgB + 2551 - 255(ImgO / 255)ImgA = ImgB + 255 - ImgO
④ ImgO = (255 - ImgA) + ImgB
那么现在，ImgB是我们已知的要在黑色背景下显示的图像，只要拿到ImgO就可以得出成品图ImgR了。
(255 - ImgA) 这个是什么意思，就是PS中的反相操作啦。让我们回到代码操作
(4) 反相函数：Invert
公式：255 - Img
即对每个像素进行 255-像素值
def Invert(img): return img.point(lambda i: 255-i)
反ImgA = Invert(ImgA )
然后这个反相后的ImgA（反ImgA）与ImgB相加，即PS中的线性减淡模式
(5) 线性减淡（添加）：LinearDodge
公式：Img上 + Img下
def LinearDodge(imgA, imgB):
size = imgA.size
imgO = Image.new('L',size,(0,))
pxA= imgA.load()
pxB= imgB.load()
pxO= imgO.load()
for x in range(size[0]):
for y in range(size[1]):
pxO[x,y] = (pxA[x,y]+pxB[x,y],)
return imgO
至此得到 ImgO = LinearDodge(反ImgA, ImgB)
注：之前我们说过ImgA的所有像素值必须大于ImgB。如果小于或等于，那么反相后加自身（或加比自身大的值）就是255了。因为ImgO是成果图ImgR的透明蒙版，ImgO=255意味着不透明度为100%，就没有透明效果了。
接着看方程式子③ ImgR = ImgB / ImgO * 255，这便是PS的一种图层混合模式划分了
(6) 划分：Divide
公式：Img下 / Img上 * 255
几个注意的条件
①若混合色为黑色，基色非黑结果为白色、基色为黑结果为黑色（混合色是Img上，基色是Img下）
②若混合色为白色则结果为基色
③若混合色与基色相同则结果为白色
不妨可以在PS中一试便知真假
def Divide(imgO, imgB):
size = imgB.size
imgR = Image.new('L',size,(0,))
pxB= imgB.load()
pxO= imgO.load()
pxR= imgR.load()
for x in range(size[0]):
for y in range(size[1]):
o=pxO[x,y]
b=pxB[x,y]
if o==0:
#如混合色为黑色，基色非黑结果为白色、基色为黑结果为黑色
color= (b and 255 or 0,)
elif o==255:
#混合色为白色则结果为基色
color=(b,)
elif o==b:
#混合色与基色相同则结果为白色
color=(255,)
else:
color=(round((b/o)*255),)
pxR[x,y] = color
return imgR
调用划分函数ImgR = Divide(ImgO, ImgB)，终于，我们得到了梦寐以求的成果图ImgR
但不要忘了它的不透明度，把ImgO添加为它的图层蒙版
(6) 最后：添加透明蒙版并保存
def AddMask(imgR,imgO):
img = imgR.convert("RGBA")
img.putalpha(imgO)
return img
imgR_mask = AddMask(imgR, imgO)
name= os.path.splitext(i_group[0])[0]
imgR_mask.save('../'+EXPORT_FOLDER+'/' + name+'.png')
保存在导出文件夹。。。
个人感觉
这个脚本生成的幻影坦克与PS做的相比就犹如真假美猴王一般，说到美猴王，我就想起……
三、完整代码文件
MirageTank.py
# -*- coding: utf-8 -*-
# python 3.7.2
# 2019/04/21 by sryml.
import os
import math
from timeit import timeit
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
from multiprocessing import cpu_count
#
import numba as nb
import numpy as np
from PIL import Image
# ---
IMPORT_FOLDER = 'Import'
EXPORT_FOLDER = 'Export'
IMAGE_FILES = []
#
ALIGN2_A = 0
ALIGN2_B = 1
ALIGN2_MAX = 'max'
NO_MODIFT = 0
STRETCH = 1
CONSTRAINT_RATIO = 2
# ---
### 图像对齐
def ImgAlign(idx,img,A_Size,B_Size,mode):
size= img.size
old_size= (A_Size,B_Size)
if mode[0]== ALIGN2_MAX:
total_size= max(A_Size[0], B_Size[0]), max(A_Size[1], B_Size[1])
if size != total_size:
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if min_diff != 0 and mode[1]:
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
elif idx != mode[0]:
total_size= old_size[mode[0]]
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if (min_diff > 0 and mode[1]) or (min_diff < 0):
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
return img
### 去色
@nb.jit
def Desaturate(img_array):
idx_array = img_array.argsort()
width = img_array.shape[1]
height = img_array.shape[0]
data = np.zeros((height,width),dtype=np.uint8)
for x in range(height):
for y in range(width):
idx= idx_array[x,y]
color_min= img_array[x,y, idx[0]]
color_max= img_array[x,y, idx[2]]
data[x,y]= round( (int(color_min) + int(color_max)) / 2 )
return Image.fromarray(data)
### 明度
def Lightness(img,ratio):
if ratio>0:
return img.point(lambda i: int(i*(1-ratio) + 255*ratio))
return img.point(lambda i: math.ceil(i*(1+ratio)))
### 反相
def Invert(img):
return img.point(lambda i: 255-i)
### 线性减淡（添加）
def LinearDodge(imgA, imgB):
size = imgA.size
imgO = Image.new('L',size,(0,))
pxA= imgA.load()
pxB= imgB.load()
pxO= imgO.load()
for x in range(size[0]):
for y in range(size[1]):
pxO[x,y] = (pxA[x,y]+pxB[x,y],)
return imgO
### 划分
def Divide(imgO, imgB):
size = imgB.size
imgR = Image.new('L',size,(0,))
pxB= imgB.load()
pxO= imgO.load()
pxR= imgR.load()
for x in range(size[0]):
for y in range(size[1]):
o=pxO[x,y]
b=pxB[x,y]
if o==0:
#如混合色为黑色，基色非黑结果为白色、基色为黑结果为黑色
color= (b and 255 or 0,)
elif o==255:
#混合色为白色则结果为基色
color=(b,)
elif o==b:
#混合色与基色相同则结果为白色
color=(255,)
else:
color=(round((b/o)*255),)
pxR[x,y] = color
return imgR
def AddMask(imgR,imgO):
img = imgR.convert("RGBA")
img.putalpha(imgO)
return img
####
#### 将所有要处理的图片文件添加到列表
def all_img2list():
global IMAGE_FILES
IMAGE_FILES= []
Imgs = os.listdir('./')
Imgs.sort(key= lambda i: os.path.splitext(i)[0])
for i in Imgs:
name = os.path.splitext(i)
imgB= name[0]+'_d' + name[1]
if imgB in Imgs:
Imgs.remove(imgB)
img_group= (i,imgB)
elif name[0][-6:].lower() == '_black':
img_group= (i,'_black')
else:
img_group= (i,None)
IMAGE_FILES.append(img_group)
def MakeMTank(i_group):
ratios= [0,0]
align= []
if not i_group[1]:
imgB= Image.open(i_group[0])
imgA= Image.new('L',imgB.size,(255,))
elif i_group[1]=='_black':
imgA= Image.open(i_group[0])
imgB= Image.new('L',imgA.size,(0,))
else:
imgA= Image.open(i_group[0])
imgB= Image.open(i_group[1])
ratios= [0.5,-0.5] #明度比值
# ALIGN2_MAX(取最大的宽和最大的高) ALIGN2_A(缩放到图A) ALIGN2_B(缩放到图B)
# NO_MODIFT(不修改) STRETCH(拉伸) CONSTRAINT_RATIO(约束比例)
align= [ALIGN2_B, CONSTRAINT_RATIO]
A_Size,B_Size= imgA.size,imgB.size
img_objs= [imgA,imgB]
for n,img in enumerate(img_objs):
if img.mode== 'RGBA':
img= img.convert('RGB')
img_array= np.array(img)
if img.mode != 'L' and ( [(img_array[:,:,i]==img_array[:,:,2]).all() for i in range(2)]!= [True,True] ):
img= Desaturate(img_array) #去色
else:
img= img.convert('L')
if align and (A_Size!=B_Size):
img= ImgAlign(n,img,A_Size,B_Size,align) #图像对齐
if ratios[n]:
img= Lightness(img,ratios[n]) #明度
img_objs[n]= img
imgA,imgB = img_objs
imgA = Invert(imgA) #反相
imgO = LinearDodge(imgA, imgB) #线性减淡（添加）
imgR = Divide(imgO, imgB) #划分
imgR_mask = AddMask(imgR, imgO) #添加透明蒙版
name= os.path.splitext(i_group[0])[0]
imgR_mask.save('../'+EXPORT_FOLDER+'/' + name+'.png')
def FlashMakeMTank(task):
pool = ThreadPoolExecutor(cpu_count())
results = list(pool.map(MakeMTank, task))
pool.shutdown()
def AutoMTank():
cpu = cpu_count()-1
pool = ProcessPoolExecutor(cpu) #max_workers=4
L = IMAGE_FILES
F = int(len(L)/cpu)
task_assign = [L[n*F:] if (n+1)==cpu else L[n*F:(n+1)*F] for n in range(cpu)]
results = list(pool.map(FlashMakeMTank, task_assign))
pool.shutdown()
print ('\n%d辆幻影坦克制作完成！' % len(IMAGE_FILES))
# ---
def Fire():
all_img2list()
sec = timeit(lambda:AutoMTank(),number=1)
print ('Time used: {} sec'.format(sec))
s= input('\n按回车键退出...\n')
if __name__ == '__main__':
if not os.path.exists(EXPORT_FOLDER):
os.makedirs(EXPORT_FOLDER)
os.chdir(IMPORT_FOLDER)
while True:
s= input('> 按F进入坦克：')
if s.upper()== 'F':
print ('少女祈祷中...')
Fire() #开炮
break
elif not s:
break
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对的支持。
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！
昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？
更新日志
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]