连续专家组装：基于实例条件的低秩残差用于全方位图像修复
计算机视觉与模式识别
2026-05-08 v1 人工智能
摘要
现实世界的图像退化往往是未知的、在空间上不均匀的，并且具有组合性质，这要求全方位修复模型在没有测试时退化标签的情况下，适应单一套参数以应对多样化的局部损坏模式。现有方法通常通过全局提示或退化描述符来调制共享主干，或通过预定义的专家池来路由特征。然而，紧凑的全局条件会成为局部退化证据的瓶颈，而静态专家路由可能产生同质化的更新，或依赖不稳定的稀疏分配。我们提出了连续专家组装（CEA），这是一种用于全方位图像修复的 token 级别动态参数化框架。CEA 采用轻量级的跨注意力超适配器（Cross-Attention Hyper-Adapter）来探测中间空间特征，并合成实例条件化的低秩路由基和残差方向。每个空间 token 然后通过对生成的秩维组件进行稠密符号点积相似度，以实现自身的残差更新，从而避免外部提示、静态专家库和离散 Top-选择。 resulting assembly rule also admits a linear-attention perspective, making its dense token-wise routing behavior transparent. 实验在 AIO-3、AIO-5 和 CDD-11 上表明，CEA 在强大的基于提示、描述符和专家的基线方法上提升了平均修复质量，尤其在空间可变和组合退化上获得最明显的提升，同时保持了有利的参数、FLOP 和运行时效率。
关键词
引用
@article{arxiv.2605.06127,
title = {Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration},
author = {Haisen He and Xiangyu Zou and SongLin Dong and Heng Li and Yihong Gong and Zhiheng Ma},
journal= {arXiv preprint arXiv:2605.06127},
year = {2026}
}