Mi-Ripple：恢复由迭代AI编辑退化的图像
Mi-Ripple: Restoring Images Degraded by Iterative AI Editing
- Miyang Technology (Shanghai) Co., Ltd.（米扬科技（上海）有限公司）
- Key Laboratory of System Software (Chinese Academy of Sciences)（中国科学院系统软件重点实验室）
- Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
- University of Chinese Academy of Sciences（中国科学院大学）
- Shanghai Jiao Tong University（上海交通大学）
- Tianjin University（天津大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
Mi-Ripple通过分离周期性伪影与颗粒纹理，结合频谱陷波、结构感知平滑和清洁参考再生，在保护结构的同时有效抑制迭代AI编辑引入的数字波纹，实现低失真恢复。
AI中文摘要：
迭代参考条件图像编辑可能引入网格状和颗粒状纹理，通常称为数字波纹。我们提出Mi-Ripple，一种诊断引导的恢复工作流，在抑制这种数字波纹的同时保护图像结构。Mi-Ripple将周期性晶格伪影与内容纠缠的颗粒纹理分离，然后结合选择性频谱陷波、结构感知平滑和清洁参考再生。这种分离使得当伪影在频谱上隔离时能够进行低失真滤波，而当滤波会抹除合法细节时则进行视觉重建。在十四次仅陷波执行中，整幅图像残差标准差在CIELAB亮度单位为0.08--0.44。在一个配对再生示例中，参考清洁将输出碎片密度降低45%。Mi-Ripple将可测量的伪影减少与视觉上更清晰的生成图像联系起来，而非仅优化频谱分数。
英文摘要：
Iterative reference-conditioned image editing can introduce grid-like and granular textures, commonly described as digital ripple. We present Mi-Ripple, a diagnosis-guided restoration workflow that suppresses this digital ripple while protecting image structure. Mi-Ripple separates periodic lattice artifacts from content-entangled granular texture, then combines selective spectral notching, structure-aware smoothing, and cleaned-reference regeneration. This separation enables low-distortion filtering when artifacts are spectrally isolated and visual reconstruction when filtering would erase legitimate detail. Across fourteen notch-only executions, whole-image residual standard deviation is 0.08--0.44 in CIELAB lightness units. In a paired regeneration example, reference cleaning reduces output debris density by 45\%. Mi-Ripple links measurable artifact reduction to visibly cleaner generated images, rather than optimizing a spectral score alone.
