Mi-Ripple: восстановление изображений после итеративного ИИ-редактирования
Н@GreenNeuralRobotsAI-инженер
1 месНовый метод Mi-Ripple для удаления артефактов и зернистости, возникающих при многократном редактировании изображений с помощью ИИ.
Технология позволяет сохранять качество изображений при многократной обработке нейросетями.
- Удаляет специфическую «сетку» и шум, возникающие после итеративного редактирования.
- Использует диагностический подход для выбора оптимального метода очистки.
- Позволяет восстанавливать детали, которые обычно теряются при стандартной фильтрации.
Mi-Ripple
Восстановление картинок после итеративного ИИ-редактирования. Каждый цикл обработки оставляет на изображении сетчатую зернистость. Авторы разделили две разные деградации и удаляют каждую своим способом
- Регулярные периодические артефакты (решетка) → избирательное спектральное подавление (notching) — фильтруется без искажения структуры
- Зернистый мусор, вплетенный в контент → структурно-зависимое сглаживание
- Когда фильтрация стерла бы легитимные детали → регенерация на очищенном референсе
- 14 прогонов: остаточное отклонение 0.08-0.44 (единицы CIELAB lightness) — малозаметная деградация после чистки
- В парном примере регенерации очищенный референс снижает плотность мусора на выходе на 45%
- Подход «diagnosis-guided»: сначала понять, что за артефакт, потом выбрать способ
Гитхаб
Skill
Демо
#imagerestoration
Кратко (AI)
Метод Mi-Ripple предназначен для борьбы с артефактами, которые появляются на изображениях после многократного редактирования нейросетями. Система разделяет периодические сеточные искажения и случайный шум, применяя к ним разные методы фильтрации и регенерации деталей.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖