Dans le processus d’acquisition d’images, diverses formes de dégradation, telles que le bruit, le brouillard ou la pluie, sont fréquemment introduites. Ces dégradations proviennent généralement des limitations intrinsèques des capteurs photographiques ou de conditions ambiantes défavorables. Afin de restaurer des images propres à partir de versions dégradées, de nombreuses méthodes spécialisées ont été développées, chacune ciblant un type spécifique de dégradation. Récemment, des algorithmes « tout-en-un » ont attiré une attention croissante en traitant différents types de dégradations au sein d’un même modèle, sans nécessiter d’information préalable sur le type de dégradation présente dans l’entrée. Toutefois, ces approches opèrent exclusivement dans le domaine spatial et ne prennent pas en compte les variations fréquentielles distinctes inhérentes à chaque type de dégradation. Pour combler cette lacune, nous proposons un réseau adaptatif de restauration d’images tout-en-un basé sur l’extraction et la modulation de caractéristiques fréquentielles. Notre approche s’inspire de l’observation selon laquelle différents types de dégradation affectent le contenu de l’image sur des sous-bandes fréquentielles différentes, nécessitant ainsi des traitements spécifiques pour chaque tâche de restauration. Plus précisément, nous extraisons d’abord les informations de basse et haute fréquence à partir des caractéristiques d’entrée, guidées par les spectres décomposés de manière adaptative de l’image dégradée. Ces caractéristiques extraites sont ensuite modulées par un opérateur bidirectionnel afin de favoriser les interactions entre les différentes composantes fréquentielles. Enfin, les caractéristiques modulées sont fusionnées avec l’entrée initiale pour une restauration progressivement guidée. Grâce à cette approche, le modèle réalise une reconstruction adaptative en accentuant les sous-bandes fréquentielles les plus informatives selon le type de dégradation d’entrée. Des expériences étendues montrent que la méthode proposée atteint des performances de pointe sur diverses tâches de restauration d’images, notamment le débruitage, le débrouillarage, le dépluie, le flou de mouvement et l’amélioration des images en faible luminosité. Le code source est disponible à l’adresse suivante : https://github.com/c-yn/AdaIR.