연속 전문가 조립: 모든 기능을 갖춘 이미지 복원을 위한 인스턴스 조건부 저랭크 잔차

Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration

실제 이미지 손상은 종종 알려지지 않고, 공간적으로 불균일하며, 복합적인 특성을 가지므로, 모든 기능을 갖춘 복원 모델은 테스트 시점의 손상 레이블 없이 다양한 국소적 손상 패턴에 단일 세트의 가중치를 적용해야 합니다. 기존 방법은 일반적으로 전역 프롬프트 또는 손상 설명자를 사용하여 공유된 기본 구조를 조절하거나, 미리 정의된 전문가 풀을 통해 특징을 전달합니다. 그러나 간결한 전역 조건 설정은 국소적인 손상 정보를 제한할 수 있으며, 정적인 전문가 라우팅은 균일한 업데이트를 초래하거나 불안정한 희소 할당에 의존할 수 있습니다. 본 논문에서는 모든 기능을 갖춘 이미지 복화를 위한 토큰 단위의 동적 파라미터화 프레임워크인 **연속 전문가 조립(Continuous Expert Assembly, CEA)**을 제안합니다. CEA는 가벼운 **크로스-어텐션 하이퍼-어댑터(Cross-Attention Hyper-Adapter)**를 사용하여 중간 공간 특징을 분석하고, 인스턴스 조건부 저랭크 라우팅 베이스 및 잔차 방향을 합성합니다. 각 공간 토큰은 생성된 랭크 기반 구성 요소에 대한 밀집된 부호화된 내적 유사성을 통해 자체 잔차 업데이트를 수행하며, 외부 프롬프트, 정적인 전문가 은행, 그리고 이산적인 Top- 선택을 피합니다. 결과적으로 얻어진 조립 규칙은 선형 어텐션 관점에서 해석될 수 있으며, 이를 통해 밀집된 토큰 단위 라우팅 동작을 투명하게 이해할 수 있습니다. AIO-3, AIO-5, 및 CDD-11 데이터셋에 대한 실험 결과, CEA는 강력한 프롬프트, 설명자 및 전문가 기반의 기존 모델보다 평균적인 복원 품질을 향상시키며, 특히 공간적으로 다양한 및 복합적인 손상에서 더욱 큰 성능 향상을 보입니다. 또한, CEA는 우수한 파라미터, FLOP, 및 실행 시간 효율성을 유지합니다.

Real-world image degradation is often unknown, spatially non-uniform, and compositional, requiring all-in-one restoration models to adapt a single set of weights to diverse local corruption patterns without test-time degradation labels. Existing methods typically modulate a shared backbone with global prompts or degradation descriptors, or route features through predefined expert pools. However, compact global conditioning can bottleneck localized degradation evidence, while static expert routing may produce homogeneous updates or rely on unstable sparse assignments. We propose \textbf{Continuous Expert Assembly} (CEA), a token-wise dynamic parameterization framework for all-in-one image restoration. CEA employs a lightweight \textbf{Cross-Attention Hyper-Adapter} to probe intermediate spatial features and synthesize instance-conditioned low-rank routing bases and residual directions. Each spatial token then assembles its own residual update via dense signed dot-product affinities over the generated rank-wise components, avoiding external prompts, static expert banks, and discrete Top- selection. The resulting assembly rule also admits a linear-attention perspective, making its dense token-wise routing behavior transparent. Experiments on AIO-3, AIO-5, and CDD-11 show that CEA improves average restoration quality over strong prompt-, descriptor-, and expert-based baselines, with the clearest gains on spatially varying and compositional degradations, while maintaining favorable parameter, FLOP, and runtime efficiency.