SLER-IR: Сферическая послойная экспертная маршрутизация для комплексного восстановления изображений
SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration
March 6, 2026
Авторы: Peng Shurui, Xin Lin, Shi Luo, Jincen Ou, Dizhe Zhang, Lu Qi, Truong Nguyen, Chao Ren
cs.AI
Аннотация
Восстановление изображений при разнородных искажениях остается сложной задачей для унифицированных все-в-одном подходов из-за интерференции признаков и недостаточной специализации экспертов. Мы предлагаем SLER-IR — фреймворк с послойной сферической маршрутизацией экспертов, который динамически активирует специализированные эксперты на разных слоях сети. Для обеспечения надежной маршрутизации мы вводим сферическое равномерное представление искажений с контрастивным обучением, которое проецирует векторы искажений на гиперсферу для устранения геометрического смещения в линейных пространствах вложений. Кроме того, модуль глобально-локального слияния гранулярности (GLGF) интегрирует глобальную семантику и локальные признаки искажений для обработки пространственно-неоднородных деградаций и разрыва в гранулярности между обучением и тестированием. Эксперименты на бенчмарках с тремя и пятью задачами демонстрируют, что SLER-IR стабильно превосходит современные методы по показателям PSNR и SSIM. Код и модели будут общедоступны.
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.