SLER-IR : Routage Sphérique Hiérarchique d'Experts pour la Restauration d'Image Tout-en-Un
SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration
March 6, 2026
Auteurs: Peng Shurui, Xin Lin, Shi Luo, Jincen Ou, Dizhe Zhang, Lu Qi, Truong Nguyen, Chao Ren
cs.AI
Résumé
La restauration d'image sous diverses dégradations reste difficile pour les frameworks unifiés tout-en-un en raison des interférences de caractéristiques et de l'insuffisance de spécialisation des experts. Nous proposons SLER-IR, un framework de routage expert par couches sphériques qui active dynamiquement des experts spécialisés à travers les couches du réseau. Pour assurer un routage fiable, nous introduisons un Embedding de Dégradation Sphérique Uniforme avec apprentissage par contraste, qui projette les représentations de dégradation sur une hypersphère pour éliminer le biais géométrique des espaces d'embedding linéaires. De plus, un module de Fusion de Granularité Globale-Locale (GLGF) intègre la sémantique globale et les indices de dégradation locaux pour traiter les dégradations spatialement non uniformes et l'écart de granularité entraînement-test. Les expériences sur des benchmarks à trois et cinq tâches démontrent que SLER-IR obtient des améliorations constantes par rapport aux méthodes state-of-the-art en PSNR et SSIM. Le code et les modèles seront publiés publiquement.
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.