Les modèles d' restauration d'images tout-en-un aveugles visent à récupérer une image de haute qualité à partir d'une entrée dégradée par des distorsions inconnues. Cependant, ces modèles nécessitent que tous les types de dégradation possibles soient définis lors de l'étape d'entraînement, ce qui limite leur généralisation aux dégradations non vues et, par conséquent, leur application pratique dans des cas complexes. Dans cet article, nous proposons un modèle de restauration tout-en-un aveugle adaptable (ABAIR) simple mais efficace, capable de traiter plusieurs types de dégradation, de bien généraliser aux dégradations non vues et d'intégrer efficacement de nouvelles dégradations en entraînant une petite fraction des paramètres.Premièrement, nous entraînons notre modèle de base sur un grand ensemble de données d'images naturelles avec plusieurs types de dégradation synthétiques, augmenté par une tête de segmentation pour estimer les types de dégradation pixel par pixel. Ceci aboutit à un puissant squelette capable de généraliser à une large gamme de dégradations. Deuxièmement, nous adaptons notre modèle de base à diverses tâches de restauration d'images en utilisant des adaptateurs indépendants à faible rang. Troisièmement, nous apprenons à combiner adaptativement ces adaptateurs pour des images variées grâce à un estimateur de dégradation flexible et léger.Notre modèle est non seulement puissant pour gérer des distorsions spécifiques mais aussi flexible pour s'adapter à des tâches complexes. Il dépasse largement l'état de l'art dans les configurations IR (restauration d'image) à cinq et trois tâches et montre également une meilleure généralisation aux dégradations non vues ainsi qu'aux distorsions composites.