SLER-IR: 올인원 이미지 복원을 위한 구형 계층별 전문가 라우팅

초록

다양한 손상 조건에서의 이미지 복원은 특징 간섭과 전문가 모듈의 전문성 부족으로 인해 통합 올인원 프레임워크에게 여전히 어려운 과제로 남아 있습니다. 본 연구에서는 네트워크 계층별로 전문 모듈을 동적으로 활성화하는 구형 계층별 전문가 라우팅 프레임워크인 SLER-IR을 제안합니다. 신뢰할 수 있는 라우팅을 위해 선형 임베딩 공간의 기하학적 편향을 제거하기 위해 대조 학습을 활용한 구형 균일 손상 임베딩을 도입하여 손상 표현을 초구 위에 매핑합니다. 또한 전역-지역 세분성 융합(GLGF) 모듈을 통해 전역 의미 정보와 지역적 손상 단서를 통합하여 공간적으로 불균일한 손상과 훈련-테스트 세분성 차이를 해결합니다. 3개 작업 및 5개 작업 벤치마크에서의 실험을 통해 SLER-IR이 PSNR과 SSIM 모두에서 최신 방법 대비 일관된 성능 향상을 달성함을 입증합니다. 코드와 모델은 공개될 예정입니다.

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.

SLER-IR: 올인원 이미지 복원을 위한 구형 계층별 전문가 라우팅

SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration

초록

Support