SLER-IR: Roteamento de Especialistas por Camadas Esféricas para Restauração All-in-One de Imagens
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
Resumo
A restauração de imagens sob degradações diversas continua a ser um desafio para estruturas unificadas "all-in-one" devido à interferência de características e à especialização insuficiente dos especialistas. Propomos o SLER-IR, uma estrutura de roteamento hierárquico de especialistas em camadas esféricas que ativa dinamicamente especialistas específicos através das camadas da rede. Para garantir um roteamento confiável, introduzimos uma Incorporação de Degradação Uniforme Esférica com aprendizado contrastivo, que mapeia as representações de degradação para uma hiperesfera para eliminar o viés geométrico presente nos espaços de incorporação lineares. Adicionalmente, um módulo de Fusão de Granularidade Global-Local (GLGF) integra semântica global e pistas locais de degradação para abordar degradações espacialmente não uniformes e a diferença de granularidade entre treino e teste. Experimentos em benchmarks de três e cinco tarefas demonstram que o SLER-IR alcança melhorias consistentes em relação aos métodos state-of-the-art, tanto em PSNR quanto em SSIM. O código e os modelos serão disponibilizados publicamente.
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.