In diesem Paper untersuchen wir ein anspruchsvolles Problem der Bildrestaurierung, nämlich die Entwicklung einer all-in-one-Methode, die Bilder verschiedenster unbekannter Störungstypen und -stärken wiederherstellen kann. Dazu stellen wir ein All-in-one Image Restoration Network (AirNet) vor, das aus zwei neuronalen Modulen besteht: dem Contrastive-Based Degraded Encoder (CBDE) und dem Degradation-Guided Restoration Network (DGRN). Die zentralen Vorteile von AirNet sind zweifach. Erstens handelt es sich um eine all-in-one-Lösung, die verschiedene gestörte Bilder innerhalb eines einzigen Netzwerks wiederherstellen kann. Zweitens ist AirNet unabhängig von Vorwissen über Störungstypen und -stärken und nutzt lediglich das beobachtete gestörte Bild zur Inferenz. Diese beiden Vorteile ermöglichen AirNet eine höhere Flexibilität und Effizienz in realen Anwendungsszenarien, in denen das Vorwissen über die Störungen schwer zugänglich ist und die Degradation räumlich und zeitlich variieren kann. Ausführliche experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode 17 etablierte Bildrestaurierungsverfahren auf vier anspruchsvollen Datensätzen übertrifft. Der Quellcode ist unter https://github.com/XLearning-SCU/2022-CVPR-AirNet verfügbar.