TY  - UNPB
TI  - Mi-Ripple: Restoring Images Degraded by Iterative AI Editing
UR  - https://arxiv.org/abs/2609.11317
DO  - 10.48550/arXiv.2609.11317
DA  - 2026-09-10
KW  - Juju Radar
KW  - 待阅读
KW  - 补看
KW  - 图像编辑
KW  - 开源工具
N1  - Juju Radar · 2026-09-14  让 AI 换一次背景，再改一次光线，最后调整人物细节，画面可能开始出现细密的格子、颗粒和鳞片状纹理。Mi-Ripple 研究的就是这种反复编辑后的失真：每次把上一张输出喂回模型，也可能把瑕疵一并传下去。  它先把问题分成两类。规律排列、能在频谱里单独识别的干扰，可以尝试定向滤掉；混在头发、树叶、布料里的杂乱纹理，则很难靠一遍降噪解决，处理过头会连正常细节一起抹掉。作者因此设计了诊断、选择处理方式、检查结果的流程，必要时用清理后的参考图重新生成。  代码已经公开，但它还不是一个可以放心批量套用的“修图神器”。论文展示了 14 次仅做定向滤波的处理，以及少量重新生成案例；其中一个对照案例的碎屑密度下降 45%，不能理解为普遍提升了 45% 的画质。重新生成也会改变细节。  这篇最有用的提醒是：修改过程中要保留干净的原图和关键版本。作者还提出，每次修改都从同一张干净参考图出发，减少瑕疵逐轮累积；不过，这种工作方式的质量优势尚未做系统比较。论文 9 月 10 日提交、11 日进入 arXiv 公告，本期补看。  入选理由：反复编辑后的伪影是实际制作问题；区分滤波与重新生成的适用条件，比单一画质分数更有用。小样本案例，按探索性工作收录。 重要度：7.5/10。 论文：https://arxiv.org/abs/2609.11317 本期资料：https://www.asteronline.cn/juju-radar/2026-09-14/ AI 辅助整理；原始 PDF 以链接附件保存，未独立复现。
ER  -