La restauration d'images vise à récupérer une image de haute qualité et propre à partir de sa version dégradée. Les progrès récents dans la restauration d'images ont démontré l'efficacité des modèles de restauration d'images All-in-One pour traiter simultanément diverses dégradations inconnues. Cependant, ces méthodes existantes utilisent généralement les mêmes paramètres pour aborder des images avec différents types de dégradation, obligeant le modèle à équilibrer les performances entre différentes tâches et limitant ainsi ses performances sur chaque tâche. Pour atténuer ce problème, nous proposons HAIR, une méthode plug-and-play de restauration d'images All-in-One basée sur les hyper-réseaux qui génère des paramètres en fonction de l'image d'entrée, permettant ainsi au modèle de s'adapter dynamiquement à des dégradations spécifiques. Plus précisément, HAIR se compose de deux composants principaux, à savoir le Classifieur et le Réseau Hyper Sélectionneur (HSN). Le Classifieur est un réseau de classification d'images simple utilisé pour générer un Vecteur d'Information Globale (VIG) contenant les informations sur la dégradation de l'image d'entrée, tandis que le HSN est un réseau neuronal entièrement connecté simple qui reçoit le VIG et produit des paramètres pour les modules correspondants. De nombreuses expériences montrent que HAIR peut améliorer considérablement les performances des modèles existants de restauration d'images de manière plug-and-play, tant dans les configurations mono-tâche que multi-tâches. Notamment, notre modèle proposé Res-HAIR, qui intègre HAIR au célèbre Restormer, peut obtenir des performances supérieures ou comparables aux méthodes actuelles les plus avancées. De plus, nous démontrons théoriquement que pour atteindre une erreur donnée suffisamment petite, notre proposition HAIR nécessite moins de paramètres par rapport aux méthodes All-in-One basées sur l'emboîtement courantes. Le code est disponible à l'adresse suivante : https://github.com/toummHus/HAIR.