Bei Aufgaben der Bildrestauration, wie z.B. Rauschunterdrückung und Super-Resolution, ist die kontinuierliche Modulation von Restaurationsstufen für praktische Anwendungen von großer Bedeutung. Die meisten existierenden bildbasierten tiefen Lernmethoden scheitern jedoch daran, auf Daten mit kontinuierlichen und unbekannten Stufen generalisieren zu können. Dieses Thema wird in der Literatur selten behandelt, da es schwierig ist, gut trainierte Modelle mit bestimmten Hyperparametern zu modulieren. Wir machen einen Schritt vorwärts, indem wir ein vereintes CNN-Framework vorschlagen, das nur wenige zusätzliche Parameter im Vergleich zu einem Einzelniveau-Modell besitzt und trotzdem beliebige Restaurationsstufen zwischen einem Start- und einem Endniveau verarbeiten kann. Das zusätzliche Modul, genannt AdaFM-Schicht (AdaFM layer), führt eine kanalweise Merkmalsmodifikation durch und kann ein Modell mit hoher Genauigkeit auf ein anderes Restaurationsniveau anpassen. Durch einfache Anpassung eines Interpolationskoeffizienten kann das intermediäre Modell – AdaFM-Net – glatte und kontinuierliche Restaurierungseffekte ohne Artefakte erzeugen. Ausführliche Experimente zu drei Bildrestaurationsaufgaben zeigen die Effektivität sowohl des Modelltrainings als auch des Modulationstests. Darüber hinaus untersuchen wir sorgfältig die Eigenschaften der AdaFM-Schichten und geben eine detaillierte Anleitung zur Verwendung der vorgeschlagenen Methode.