SLER-IR: Enrutamiento Esférico por Capas de Expertos para la Restauración Integral de Imágenes
SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration
March 6, 2026
Autores: Peng Shurui, Xin Lin, Shi Luo, Jincen Ou, Dizhe Zhang, Lu Qi, Truong Nguyen, Chao Ren
cs.AI
Resumen
La restauración de imágenes bajo degradaciones diversas sigue siendo un desafío para los marcos unificados todo-en-uno debido a la interferencia de características y la especialización insuficiente de expertos. Proponemos SLER-IR, un marco de enrutamiento de expertos por capas esférico que activa dinámicamente expertos especializados a través de las capas de la red. Para garantizar un enrutamiento confiable, introducimos una Incrustación de Degradación Esférica Uniforme con aprendizaje contrastivo, que mapea las representaciones de degradación sobre una hiperesfera para eliminar el sesgo geométrico en espacios de incrustación lineal. Adicionalmente, un módulo de Fusión de Granularidad Global-Local (GLGF) integra semántica global y claves de degradación local para abordar degradaciones espacialmente no uniformes y la brecha de granularidad entre entrenamiento y prueba. Los experimentos en benchmarks de tres y cinco tareas demuestran que SLER-IR logra mejoras consistentes sobre los métodos más avanzados tanto en PSNR como en SSIM. El código y los modelos serán publicados.
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.