基于深度学习的图像修复：从选型到训练避坑指南

简介：一套基于深度学习的图像修复算法完整实现方案，源自本科毕业设计并获得导师与评审认可的高分项目（96.5分），主要面向计算机相关专业正在做毕设、课程设计或需要实战练习的在校学生与开发者。资源包共84个文件，压缩后约3.57MB，包含20个Python源码脚本及对应pyc文件、PyTorch自定义算子（.cu/.cpp/.h）、Gradio可视化演示脚本、模型结构图与示例图片，并整合了Places和CelebA-HQ等测试集及掩码生成模块。累计已有253人学习浏览。项目封装了从数据集制作、掩码生成、模型训练到图像修复推理的完整链路，自带使用说明和预训练模型下载提示，支持CPU/GPU环境运行；借助Gradio可视化界面可直观对比破损图、原始图与修复结果，既可作为毕设课题的参考实现，也方便在此基础上扩展新模型或算法改进。

1. 基于深度学习的图像修复：从“填像素”到“生成语义”

拿到一份“基于深度学习的图像修复算法 Python 源码+数据集+项目说明”的项目包，第一件事不是点开 train.py 就跑，而是先想清楚这套代码在解决什么问题。图像修复（Image Inpainting）说白了就是：给一张残缺图和一张掩码，让模型把洞里缺失的内容补出来，补得既要在像素上连续，又要在语义上合理。传统扩散式 Inpainting 算法只会把周围像素往洞里平移，遇到细划痕和重复纹理还能应付，洞稍微大一点就开始拖影、糊成一片。深度学习把这个问题重新定义成条件生成：模型通过学习大量完整图像，学会“这里原本最可能有的是什么”。这篇笔记按一个修复项目从零到可用的顺序来拆：网络选型、数据构造、训练损失、推理细节和验证方法，新手能跟到跑通，熟手也能直接拿去比对参数和边界。

2. 修复算法选型：GAN、自编码器与扩散模型该选谁

2.1 修复任务拆解：结构、纹理与语义的三层需求

开始选模型前，先把修复区域按内容性质拆成三类，这样后面选网络、调损失都能对号入座，不会出现训练很久却效果很怪的情况。

第一类是纹理重复区域，比如墙面砖缝、草地颗粒、水面波纹。这类区域本身缺乏强语义，只要纹理统计上能和周围接上，人眼就很难挑毛病，传统方法在这一类里并不差。第二类是结构明确区域，比如人脸五官、车轮边缘、窗户棱线。这些位置有必然的几何走向，模型不能只生成“像素”，还得把线条位置、明暗关系和上下文对齐。第三类是语义生成区域，多见于大面积遮挡：物体被整块盖住，或者损伤区域跨过了多个物体，模型得像人一样根据上下文推断出“这里本来最可能是什么东西”。

不拆这个层级，最容易出现的结果是 L1 损失一直降、看着已经收敛，但输出的修复区域全是“平均脸”式的模糊——因为网络发现，把所有颜色取平均是让 L1 最小化的捷径。这个现象后面第 5 章还会单独讲。选模型之前先画一下自己任务的掩码比例区间和内容确定性，至少能省掉一半试错时间。

2.2 主流方案的适用范围与参数取舍

修复领域的成熟方案可以分成五类，每一类的网络结构、训练成本和效果边界都不一样。下面按我从简单到复杂的顺序排了张对比表，可以直接对着自己的任务选。

实际项目里，大家起步最常用的还是自编码器加对抗训练这条线，原因是它训练相对稳定、迭代快，而且在中洞场景下效果足够好。扩散模型虽然生成质量高，但一次采样要迭代几十上百步，显存和时间成本不是所有场景都愿意付的。双阶段方案适合处理“结构很明显”的图，比如人脸和建筑，代价是网络从一套变成两套，训练数据也要多备一份边缘图。

2.3 为什么我首选 Partial Convolution 的 U-Net 作为起步基座

如果掩码形状是不规则的自由形状，普通卷积有个天然缺陷：卷积核扫到掩码边界时，会把“未知区域”的像素也当成有效特征一起算，结果就是边界信息被污染，生成的纹理出现模糊和重影。Partial Convolution（部分卷积）的思路是：每个卷积位置只根据该 kernel 覆盖到的有效像素做归一化，无效像素不参与统计。实现上很简单，训练稳定性却提升很多。

class PartialConv2d(nn.Module): def __init__(self, in_ch, out_ch, kernel_size=3, stride=1, padding=1, bias=True): super().__init__() self.conv = nn.Conv2d(in_ch, out_ch, kernel_size, stride, padding, bias=bias) # mask_conv 用来统计每个位置上有多少有效像素 self.mask_conv = nn.Conv2d(1, 1, kernel_size, stride, padding, bias=False) self.mask_conv.weight.data.fill_(1.0) self.mask_conv.requires_grad_(False) def forward(self, x, mask): # mask 为 0/1，1 表示已知有效像素 out = self.conv(x * mask) with torch.no_grad(): msum = self.mask_conv(mask) # 用有效像素数归一化，避免掩码边界处亮度跳变 scale = 1.0 / torch.clamp(msum, min=1e-8) if self.conv.bias is not None: out = (out - self.conv.bias) * scale + self.conv.bias else: out = out * scale mask_out = (msum > 0).float() return out * mask_out, mask_out

这段代码里有两个关键细节。第一个，mask_conv的权重全部初始化成 1 且不更新，它只是用来做“求和统计”，等价于统计每个卷积窗口里有效像素的个数。第二个，out除以有效像素个数之后，要去掉偏置再乘回去，因为Conv2d自带的 bias 是在所有像素上加的，如果不处理，掩码全为 0 的位置会把 bias 泄漏进输出。

基于这个算子，把 U-Net 的每一层卷积替换成PartialConv2d，就得到了最常用的 PConv-UNet 基座。它的输入是 4 通道：RGB 三通道加一个 mask 通道，输出 3 通道修复结果。这种结构的参数规模适中，编码器和解码器通道数一般取 [64, 128, 256, 512]，训练起来对显存比较友好，也是后面第 4 章训练脚本里我采用的默认结构。

3. 构建修复训练集：掩码生成是决定泛化能力的第一步

3.1 用公开数据还是自采数据：先定“域”再定“集”

修复模型的效果上限，基本由训练数据决定。一个只在自然风景图上训练过的模型，拿去修工业图纸，结果通常不会太好：结构线条、字体边缘、材质反光都跟训练分布对不上。所以选数据集之前，先明确你最终要修的图属于哪个“域”。

如果目标是通用修复，可以选 Places365 这类以场景为主的公开数据集，室内、街道、建筑样本多，对大部分“抠掉多余物体”的任务够用。如果目标是修人脸，CelebA-HQ 是常见选择。如果目标是文档去划痕或者特定设备图像修复，那就别指望公开数据了，自己收集几百张同类型图像，反而更值得投入时间。公开数据集用来预训练、自采数据用来微调，是修复项目比较常见的组合路径。

注意：不要跳过掩码工程直接拿现成图片训练。修复任务里掩码的形状、面积分布和位置，直接决定模型泛化到真实场景的能力，这一点往往比网络结构更影响最终效果。

3.2 掩码生成代码与参数说明

真实世界里的缺陷形态五花八门，但用训练数据模拟时，常见做法是生成“自由形状”掩码——用随机多边形填充模拟刮痕、墨迹和遮挡。用固定矩形方块的掩码训练出的模型，到了一线场景很容易翻车，因为真实缺损很少是规则矩形。

import cv2 import numpy as np def random_free_form_mask(h, w, min_ratio=0.05, max_ratio=0.35, max_parts=8): """ 生成自由形状掩码。 返回值 mask 中 255 表示待修复区域，0 表示保留区域。 """ best_mask, best_ratio = None, 0 for _ in range(20): # 最多重采样 20 次，找到面积比例合适的掩码 mask = np.zeros((h, w), dtype=np.uint8) # 每张图叠加 4~8 个随机多边形，模拟多处破损 for _ in range(np.random.randint(4, max_parts)): n_pts = np.random.randint(3, 8) # 多边形顶点数，顶点越少形状越尖锐 pts = np.random.rand(n_pts, 2) pts[:, 0] *= w pts[:, 1] *= h cv2.fillPoly(mask, [pts.astype(np.int32)], 255) ratio = mask.mean() / 255.0 # 记录最接近 0.15 比例的掩码，作为重采样的兜底 if abs(ratio - 0.15) < abs(best_ratio - 0.15): best_ratio, best_mask = ratio, mask if min_ratio <= ratio <= max_ratio: return mask, ratio return best_mask, best_ratio

参数上，min_ratio和max_ratio控制掩码占全图面积的比例。建议训练时把区间放宽到 0.05~0.35，不要全部集中在 0.1 附近。掩码面积分布太窄，模型只见过一种“残缺程度”，测试时一旦遇到更大的洞就会崩，这个坑在第 5 章会展开。顶点数n_pts取 3~8，是为了让掩码边缘更随机——顶点太多会接近圆形，顶点太少又都是尖角，实际破损多半是弯弯曲曲的，混合几种形状更接近真实。

3.3 数据集的加载与训练集划分细节

掩码可以离线预生成存成文件，也可以在线随机构造。离线生成的优点是调试方便、掩码可复用，缺点是占磁盘空间，而且掩码一旦生成就固定了，模型反复看同一批掩码容易过拟合。在线生成则每次训练都拿到新掩码，泛化更好，代价是数据加载要快一点。我一般会在线生成掩码，把图像和掩码的读取逻辑封装在同一个 Dataset 里。

from torch.utils.data import Dataset import torch, glob, os import cv2 class InpaintDataset(Dataset): def __init__(self, root, image_size=256, mask_dir=None): self.paths = sorted(glob.glob(os.path.join(root, "*.jpg")) + glob.glob(os.path.join(root, "*.png"))) self.image_size = image_size self.mask_dir = mask_dir # 传 None 则在线生成掩码 def __len__(self): return len(self.paths) def __getitem__(self, idx): img = cv2.imread(self.paths[idx]) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (self.image_size, self.image_size)) / 255.0 img = torch.from_numpy(img).permute(2, 0, 1).float() if self.mask_dir: mask_path = os.path.join(self.mask_dir, os.path.basename(self.paths[idx])) mask = cv2.imread(mask_path, 0) # 掩码缩放必须用最近邻插值，否则会引入灰色过渡边界 mask = cv2.resize(mask, (self.image_size, self.image_size), interpolation=cv2.INTER_NEAREST) else: mask, _ = random_free_form_mask(self.image_size, self.image_size) mask = (mask > 127).astype(np.float32) return img, torch.from_numpy(mask).unsqueeze(0).float()

这里有两个细节值得写进注释。第一，图像缩放到目标尺寸时要保持 RGB 和掩码的空间一致，掩码变尺寸必须用INTER_NEAREST，用双线性插值会给掩码边界引入 0~1 之间的过渡值，训练时网络会在那些位置收到混乱的监督信号。第二，训练集和验证集划分不要偷懒用random_split不固定 seed 的方式，建议先对图片路径按 hash 或直接按文件名顺序间隔划分，保证每次实验的验证集一致，否则两个实验的指标差异到底是模型造成的还是数据划分造成的，根本说不清楚。

4. 训练与推理实现：从源码结构到损失函数的调参

4.1 项目目录与最小可跑训练脚本

一套修复项目的源码组织，我会按下面这个结构来放，路径短、模块边界清楚，关键配置全部收敛到config.py，这样排错时不用到处找参数。

inpaint_project/ ├── config.py # 所有超参数集中在这里 ├── dataset.py # 数据集读取与掩码生成 ├── model.py # PConvUNet 网络定义 ├── losses.py # 组合损失函数 ├── train.py # 训练主脚本 ├── inpaint.py # 推理脚本 └── checkpoints/ # 模型权重保存目录

训练主循环的核心部分可以写成下面这样，重点是把 mask 和图像的组合方式写对。

import torch import torch.optim as optim from torch.utils.data import DataLoader from dataset import InpaintDataset device = "cuda" if torch.cuda.is_available() else "cpu" train_loader = DataLoader( InpaintDataset("data/train", image_size=cfg.image_size), batch_size=cfg.batch_size, shuffle=True, num_workers=4, drop_last=True, ) model = PConvUNet(in_ch=4, out_ch=3, base_ch=64).to(device) opt = optim.Adam(model.parameters(), lr=cfg.lr, betas=(0.5, 0.999)) criterion = TotalLoss(gamma_l1=1.0, gamma_per=0.05, gamma_adv=0.1) for epoch in range(cfg.epochs): model.train() for imgs, masks in train_loader: imgs, masks = imgs.to(device), masks.to(device) # 先盖住待修复区域，再拼上 mask 作为条件输入 masked_img = imgs * (1 - masks) model_in = torch.cat([masked_img, masks], dim=1) pred = model(model_in) # pred 是模型输出的完整结果，与原始保留区域合成 pred_comp = imgs * (1 - masks) + pred * masks loss, loss_detail = criterion(pred, pred_comp, imgs, masks) opt.zero_grad() loss.backward() opt.step()

训练逻辑里容易被忽略的是pred_comp这一行。模型直接输出的 pred 是“在掩码区域生成的像素”，但如果只拿它和真实图像在掩码区域算损失，会让网络只关注洞里，忽略洞边缘的连续性。把pred和原图保留区域拼回pred_comp再算感知损失，能让生成内容和周围边界一起被监督，边缘过渡会自然很多。我第一次跑修复训练时没拼这一层，结果所有输出在掩码附近都有一圈暗边，后来加回pred_comp才消掉。

4.2 损失函数三件套：L1、感知与对抗的权重

修复任务很少只用一个损失函数，常见组合是 L1 重建损失、感知损失和对抗损失三件套。它们各自盯的东西不一样，权重配比直接决定输出是“锐利但有瑕疵”还是“平滑但模糊”。

写损失模块时，感知损失要特别注意输入分布。VGG16 预训练模型是在特定归一化方式下训练的，如果你的图像是 0~1 范围的 RGB，直接喂给 VGG 提取特征，特征分布会偏移，感知损失约等于一个“没对准的尺子”，实际起不到监督作用。正常做法是在损失函数里加一个固定的归一化层，把输入先归一化到 VGG 的期望范围，再提取特征。

import torch.nn.functional as F import torch import torch.nn as nn class TotalLoss(nn.Module): def __init__(self, gamma_l1=1.0, gamma_per=0.05, gamma_adv=0.1): super().__init__() self.gamma_l1 = gamma_l1 self.gamma_per = gamma_per self.gamma_adv = gamma_adv def forward(self, pred, pred_comp, target, mask): # 只在掩码区域计算 L1，背景不参与 l1_loss = F.l1_loss(pred * mask, target * mask) # 感知损失和对抗损失用合成后的完整图计算 per_loss = F.l1_loss(vgg_features(pred_comp), vgg_features(target)) adv_loss = -torch.mean(discriminator_logit(pred_comp)) total = self.gamma_l1 * l1_loss + self.gamma_per * per_loss + self.gamma_adv * adv_loss return total, {"l1": l1_loss.item(), "per": per_loss.item(), "adv": adv_loss.item()}

这里的vgg_features一般取 VGG16 的 relu1_2、relu2_2、relu3_3、relu4_3 四层特征，而不是只取最后一层。多层特征分别对应低层纹理和高层结构，四层一起算 L1 比单层稳定得多。对抗损失里discriminator_logit是判别器对合成图的打分，训练时判别器和生成器交替更新，具体在代码里体现为“生成器 loss 反向后先更新生成器，再单独更新一次判别器”，这个节奏不要省。

4.3 推理阶段的两个关键细节：掩码平滑与归一化

训练完成后写推理脚本，要注意两件事：第一，输入尺寸需要对齐到模型下采样的整数倍，否则 U-Net 的跳层连接拼接时尺寸对不上，输出边缘会出现条纹伪影；第二，直接输出硬拼接的修复图，掩码边界往往会露出一条接缝，推理时把掩码做一次高斯平滑再融图，可以省掉后面大量修边工作。

import torch import cv2 import numpy as np def inpaint_one(model, img_bgr, mask_bgr): # 输入约定：img 取 0~255，mask 取 0 或 255 img = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) / 255.0 h, w = img.shape[:2] # 把尺寸裁到 16 的整数倍，避免 U-Net 下采样后尺寸不匹配 h2, w2 = h // 16 * 16, w // 16 * 16 img = cv2.resize(img, (w2, h2)) mask = cv2.resize(mask_bgr, (w2, h2), interpolation=cv2.INTER_NEAREST) / 255.0 img_t = torch.from_numpy(img.transpose(2, 0, 1)).unsqueeze(0).float() mask_t = torch.from_numpy(mask).unsqueeze(0).unsqueeze(0).float() with torch.no_grad(): x = torch.cat([img_t * (1 - mask_t), mask_t], dim=1).to(device) pred = model(x) pred_np = pred.squeeze(0).cpu().numpy().transpose(1, 2, 0) # 把掩码边界做高斯模糊，与周围像素渐变混合，减少接缝 soft_mask = cv2.GaussianBlur(mask, (5, 5), 0)[..., None] out = img * (1 - soft_mask) + pred_np * soft_mask out = np.clip(out, 0, 1) return cv2.cvtColor((out * 255).astype(np.uint8), cv2.COLOR_RGB2BGR)

cv2.GaussianBlur的核大小取 5 比较常规，取的太大洞边缘会被背景颜色“浸”进来，修复区域边缘发灰；取的太小又起不到过渡作用。如果训练时已经对掩码做了多种形态处理，推理这里的卷积核大小可以和训练阶段的mask_dilate参数配合调。

5. 图像修复避坑记录：五个常见的翻车场景与对应解法

5.1 修复区域像被水彩晕开

现象：训练损失下降正常，但输出里洞区一片平滑，像把周围颜色调淡之后直接填上去，完全没有纹理细节，人脸修复尤其明显——皮肤成了塑料质感。

原因：L1 重建损失权重过大，对抗损失权重过小。L1 对每个像素求绝对差值，模型要找最小化全体误差的解，最优策略就是把所有候补颜色取平均。取平均之后细节自然丢失。另一个常见诱因是判别器先崩：判别器损失一路为零或者原地震荡，生成器拿不到有效梯度，对抗部分形同虚设。

解决：先给训练脚本加一条判别器 loss 的日志。如果发现判别器 loss 长期为零，把判别器学习率降到生成器的十分之一，或者把每轮判别器更新次数从 1 次提到 2 次。然后按第 4 章的权重表调对抗权重，从 0.1 提到 0.2，感知权重从 0.05 提到 0.08。如果还不理想，把全局判别器换成分辨率更细的 PatchGAN，判别器只看局部 70×70 的区域，给生成器更密集的纹理反馈。

5.2 掩码边缘一圈灰色接缝

现象：洞里补出来的内容本身没问题，但沿着掩码边界有一圈肉眼可见的暗边或亮线，像两张图没对齐直接叠在一起。

原因：掩码在 0/1 边界硬切换，Partial Convolution 在边界位置上归一化分母突然跳变，导致输出在边界出现亮度变化。另一个常见来源是训练阶段掩码 resize 时用了双线性插值，掩码边界混入了灰色中间值，网络被一个“模糊的监督信号”带偏了。

解决：推理阶段按第 4.3 节的做法，把掩码做高斯平滑后与原始背景融合。训练阶段给掩码 resize 时严格使用INTER_NEAREST，用一次就少踩一个坑。还能在训练数据里加一个预处理：把掩码用 3×3 的卷积核做一次腐蚀，让掩码边界和真实遮挡物的边界错开几个像素，模型就不会总去学“边界必须落在固定位置”。

5.3 生成的内容和上下文语义冲突

现象：一个人的半张脸修复后，眼窝朝向反了，或者额头高光位置跟另一边相差太多；一张马路的修复结果里，空缺处被补出一片完全不像路面的花丛纹理。

原因：模型只学会了纹理统计，没学会高层结构先验。L1 和感知损失能把低频颜色、整体布局压对，但像“眼睛看向哪里”“门的边缘线该往哪拐”这类强结构信息，单靠一个生成网络很难学进去。训练数据里同类缺损样本太少，也会加重这个问题。

解决：最直接的办法是换成双阶段结构，先让一个网络重建残缺区域的边缘图，再把边缘图作为条件送入填充网络生成纹理。做法是训练前先用 Canny 对原始图像提边缘，把掩码区域的边缘置为零，第一阶段网络补边缘，第二阶段再填纹理。这个方案比单纯调损失权重有效得多，因为“边缘结构”这种强约束被显式建模了。

5.4 训练稳定但大掩码推理崩坏

现象：训练全程损失正常，小掩码验证集上的指标也很好，但测试时掩码面积超过训练常见范围，输出直接变成大块色斑、锐度过曝或者胡乱拼接的结构。

原因：训练时掩码面积分布扎堆在小比例区间。模型在训练中见过的掩码大部分占图面积 5% 到 15%，一旦测试掩码上到 30% 以上，周围已知像素提供的信息太少，模型进入从未见过的“低信息输入”区间，输出自然崩坏。这是典型的训练分布和测试分布不一致。

解决：把第 3 章的掩码生成参数放宽，min_ratio=0.05、max_ratio=0.35，并且每个 batch 内保证掩码面积大小差异明显。最简单的方式是每个 batch 采样时给掩码池里分桶，一部分小掩码、一部分中掩码、一部分大掩码，按固定比例混合。这样模型每一轮迭代都看到不同残缺度，泛化边界能明显外推。

5.5 显存溢出与恢复训练的状态丢失

现象：训练跑到第 300 轮直接 CUDA out of memory，重启后把模型权重载回来继续训练，发现效果反而比不中断跑完的版本差，损失曲线也回不到中断前的位置。

原因：OOM 通常是单次 batch 峰值显存超限，常见于输入分辨率过大或者 batch size 过大；而重启后效果变差，大概率是 checkpoint 里只存了模型权重，没保存优化器状态和学习率调度器状态。Adam 这类优化器带有动量信息，丢掉之后学习率重新从零开始，相当于训练节奏被强制打断。

解决：checkpoint 至少保存四样：模型权重、优化器状态、调度器状态和当前 epoch。示意见下。

torch.save({ "epoch": epoch, "model": model.state_dict(), "optimizer": opt.state_dict(), "scheduler": scheduler.state_dict(), }, "checkpoints/latest.pt")

如果单卡显存确实不够，先用梯度累积把等效 batch size 撑住，再考虑换大显存卡。梯度累积实现方式很直接，每 4 个 batch 调用一次opt.step()和opt.zero_grad()，等效 batch size 翻 4 倍，显存峰值不变。这样比盲目调小 batch size 保留更多训练稳定性。

6. 效果验证与二次迭代：不只看 PSNR 和 SSIM

验证修复效果时，只报一个全局 PSNR 很容易骗到自己。PSNR 和 SSIM 都是全局统计指标，修复区域只占全图一小部分时，全局指标会被大面积未修改的背景拉高，模型烂没烂根本看不出来。建议把指标限定在掩码区域单独算，同时引入 LPIPS 感知距离，它和人眼的主观判断更接近。

import lpips import torch from skimage.metrics import structural_similarity, peak_signal_noise_ratio lp = lpips.LPIPS(net="alex") # 感知距离，值越低表示越接近参考图 def evaluate_one(pred, target, mask): # pred/target 都是 0~1 的 RGB ndarray，mask 为 0~1 的单通道 psnr_global = peak_signal_noise_ratio(target, pred, data_range=1.0) ssim_global = structural_similarity(target, pred, channel_axis=2, data_range=1.0) p_dist = lp(torch.from_numpy(pred).permute(2, 0, 1).unsqueeze(0), torch.from_numpy(target).permute(2, 0, 1).unsqueeze(0)).item() # 只在掩码区域算 PSNR，反映真实的修复质量 m = mask > 0 psnr_mask = peak_signal_noise_ratio(target[m], pred[m], data_range=1.0) return {"psnr_global": psnr_global, "ssim_global": ssim_global, "lpips": p_dist, "psnr_mask": psnr_mask}

掩码区域单独算指标之后，你会发现很多全局指标好看的模型在psnr_mask上露馅。我自己的习惯做法是：每次训练完，把验证集里psnr_mask最低的那一批图捞出来，不看指标光看人眼。观察这批失败样本到底是纹理糊、结构错还是颜色偏，再回头决定下一步动数据还是动损失。举个例子，如果失败样本集中在特定掩码形状上，基本可以断定是训练掩码分布不够多样；如果集中在特定内容类型上，那就是对应域的训练样本稀缺，继续调模型结构意义不大。修复这个方向，数据分布和掩码工程的影响通常大于网络结构微调，把自动指标和人工抽检放在一起用，才不会在“指标好看但实际不可用”上面空转太久。希望这个验证思路能帮你在自己的修复项目里少走弯路。

本文还有配套的精品资源，点击获取