Los métodos existentes de restauración de imágenes son efectivos solo para tareas de degradación específicas, pero el tipo de degradación de imágenes en aplicaciones prácticas es desconocido, y la falta de coincidencia entre el modelo y la degradación real conducirá a una disminución del rendimiento. Los mecanismos de atención juegan un papel importante en las tareas de restauración de imágenes; sin embargo, es difícil para los mecanismos de atención existentes utilizar de manera efectiva la información de correlación continua del ruido de la imagen. Para resolver estos problemas, proponemos una Red Ligera de Restauración de Imágenes Todo en Uno Progresiva y Eficiente (PerNet). La red consta de un Módulo de Atención Local Eficiente Listo para Usar (PPELAM). El PPELAM está compuesto por múltiples Unidades de Atención Local Eficiente (ELAUs) y el PPELAM puede utilizar de manera efectiva la información global y la correlación horizontal y vertical de las características de degradación de la imagen en el espacio, para reducir la pérdida de información y tener un número reducido de parámetros. PerNet es capaz de aprender muy bien las propiedades de degradación de las imágenes, lo que nos permite alcanzar un nivel avanzado en las tareas de restauración de imágenes. Los experimentos muestran que PerNet tiene excelentes resultados para tareas típicas de restauración (eliminación de lluvia en imágenes, eliminación de niebla en imágenes, eliminación de nieve en imágenes y mejora de imágenes submarinas), y el excelente rendimiento de ELAU combinado con Transformer en el capítulo de experimentos de ablación demuestra aún más la alta eficiencia de ELAU.