SLER-IR: Sphärisches schichtweises Expert-Routing für All-in-One-Bildrestauration
SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration
March 6, 2026
Autoren: Peng Shurui, Xin Lin, Shi Luo, Jincen Ou, Dizhe Zhang, Lu Qi, Truong Nguyen, Chao Ren
cs.AI
Zusammenfassung
Die Bildrestauration unter verschiedenen Degradationsarten bleibt für vereinheitlichte All-in-One-Frameworks aufgrund von Feature-Interferenzen und unzureichender Expertenspezialisierung eine Herausforderung. Wir stellen SLER-IR vor, ein sphärisches, schichtenweises Expert-Routing-Framework, das spezialisierte Experten dynamisch über Netzwerkebenen hinweg aktiviert. Um zuverlässiges Routing zu gewährleisten, führen wir ein sphärisches einheitliches Degradations-Embedding mit kontrastivem Lernen ein, das Degradationsrepräsentationen auf einer Hypersphäre abbildet, um Geometriebias in linearen Einbettungsräumen zu eliminieren. Zusätzlich integriert ein Global-Local-Granularitäts-Fusionsmodul (GLGF) globale Semantik und lokale Degradationshinweise, um räumlich nicht-uniforme Degradationen und die Granularitätslücke zwischen Training und Test zu adressieren. Experimente auf Drei- und Fünf-Task-Benchmarks zeigen, dass SLER-IR durchgängige Verbesserungen gegenüber state-of-the-art Methoden sowohl in PSNR als auch SSIM erzielt. Code und Modelle werden öffentlich zugänglich gemacht.
English
Image restoration under diverse degradations remains challenging for unified all-in-one frameworks due to feature interference and insufficient expert specialization. We propose SLER-IR, a spherical layer-wise expert routing framework that dynamically activates specialized experts across network layers. To ensure reliable routing, we introduce a Spherical Uniform Degradation Embedding with contrastive learning, which maps degradation representations onto a hypersphere to eliminate geometry bias in linear embedding spaces. In addition, a Global-Local Granularity Fusion (GLGF) module integrates global semantics and local degradation cues to address spatially non-uniform degradations and the train-test granularity gap. Experiments on three-task and five-task benchmarks demonstrate that SLER-IR achieves consistent improvements over state-of-the-art methods in both PSNR and SSIM. Code and models will be publicly released.