本文利用目标网络增强和不对齐数据的新颖用途，解决了单张图像反射去除的困难问题，在含有强烈反射区域的上下文编码模块和对齐不变损失函数的引入下，实现了对真实世界情况的显著改进。

Apr, 2019

本文提出使用对象语义作为指导力量，强制将相同对象分配到同一层次来解决玻璃窗后的图像反射问题，并在不同数据集上进行了实验证明该方法的显著性能优势及其在计算机视觉任务中的应用。

Jul, 2019

本文提出了一种基于位置感知的深度学习单图像去反射新方法，在该网络中，反射检测模块回归一个概率性反射信念图，采用多尺度拉普拉斯特征作为输入，设计了一种递归网络，用于逐步精细调整照射和反射层。

Dec, 2020

本文讨论了单幅图像去反射问题的不确定性，提出了一种基于灵活交互的去反射方法，利用稀疏人工引导作为辅助高级先验，通过转化人工输入形式并设计掩码引导的去反射网络，实现了在各种数据集上具有领先性能的反射去除。

Jun, 2024

本文提出了一种使用凸模型来抑制图像中反射的方法，其包含了梯度阈值的偏微分方程，并使用离散余弦变换高效地求解，通过实验验证其在合成和现实场景中都能够有效地抑制反射并大大减少处理时间。

Mar, 2019

本研究关注单幅图像反射去除（SIRR）的问题，从两个角度进行研究：真实反射对的收集流程和真实反射位置的感知。我们设计了一个适应广泛真实世界反射场景的先进反射对收集流程，并在收集大规模对齐反射对方面降低成本。在此过程中，我们创建了一个大规模、高质量的反射数据集，命名为野外反射去除（RRW）。RRW 包含超过 14,950 对高分辨率真实世界反射图像，比先前的数据集大 45 倍。在反映位置感知方面，我们发现反射图像中可见的许多虚拟反射对象在对应的标准图像中并不存在。这一观察结果启发我们构想了最大反射滤波器（MaxRF）。MaxRF 能够准确明确地表征图像对中的反射位置。在此基础上，我们设计了一种反射位置感知的级联框架，专门用于 SIRR。借助这些创新技术，我们的解决方案在多个真实世界基准测试中实现了优越的性能。代码和数据集将公开提供。

Nov, 2023

通过一个全卷积网络，我们提出了一种从单张图像中分离反射图像的方法。我们的方法通过低级别和高级别图像信息的损失函数来进行训练，并包含两个知觉损失、一个对抗损失以及一个像素级别层次分离的排斥损失。我们创建了一个真实世界图像数据集并验证了我们的方法的优越性。同时我们还将方法扩展到了另外两个图像增强任务中。

Jun, 2018

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017

提出了一种利用闪光补偿图像去除环境反射的方法，并开展了实验以进一步验证该方法的有效性，此方法的源代码和数据集也是公开的。

Nov, 2022

该论文提出了一种用于镜子分割的新方法，包括构建数据集、提出镜像网络模型和进行实验证明。

Aug, 2019