SLER-IR: Routing Esperto a Strati Sferici per il Restauro All-in-One delle Immagini
SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration
March 6, 2026
Autori: Peng Shurui, Xin Lin, Shi Luo, Jincen Ou, Dizhe Zhang, Lu Qi, Truong Nguyen, Chao Ren
cs.AI
Abstract
La ripristino delle immagini in presenza di degradazioni diverse rimane una sfida per i framework unificati "all-in-one" a causa dell'interferenza tra le feature e dell'insufficiente specializzazione degli esperti. Proponiamo SLER-IR, un framework di instradamento gerarchico di esperti su sfera che attiva dinamicamente esperti specializzati attraverso i vari livelli della rete. Per garantire un instradamento affidabile, introduciamo un Embedding di Degradazione Sferico Uniforme con apprendimento contrastivo, che mappa le rappresentazioni delle degradazioni su un'ipersfera per eliminare il bias geometrico negli spazi di embedding lineari. Inoltre, un modulo di Fusione di Granularità Globale-Locale (GLGF) integra la semantica globale e gli indizi di degradazione locali per affrontare le degradazioni spazialmente non uniformi e il divario di granularità tra addestramento e test. Esperimenti su benchmark a tre e cinque compiti dimostrano che SLER-IR raggiunge miglioramenti consistenti rispetto ai metodi allo stato dell'arte sia in PSNR che in SSIM. Codice e modelli saranno rilasciati pubblicamente.
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.