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

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

本文提出了基于物理渲染的方法，通过 RGBD/RGB 图像确定网格，进行光传输仿真，合成训练数据并在此基础上进行基于深度学习的单张图像反射分离。同时，引入回溯网络模块（BT-net）来去除图像噪点、模糊和偏焦等问题。实验结果表明，相比于现有技术，本文方法在视觉效果和数值优化上都具有明显优势。

Apr, 2019

该研究探讨了一种使用感知损失函数训练卷积神经网络进行图像转换任务的方法，在图像风格迁移和单一图像超分辨率方面获得了较好的实验结果。

Mar, 2016

本文研究了语言引导的反射分离问题，通过引入语言描述以提供层次内容，解决了反射分离问题。我们提出了一个统一的框架来解决这个问题，该框架利用交叉注意力机制和对比学习策略构建语言描述和图像层之间的对应关系。采用门控网络设计和随机训练策略来处理可识别层的模糊性。基于定性和定量比较验证了所提方法相对于现有的反射分离方法的显著性能优势。

Feb, 2024

基于对现有模型弱点的调查，我们提出了一种更一般的叠加模型，引入可学习的残差项，可以有效地捕捉分解过程中的剩余信息，引导分离层的完整性。为了充分利用其优势，我们还精心设计了网络结构，包括新颖的双流交互机制和具有语义金字塔编码器的强大分解网络。通过大量实验证明，在多个真实世界基准数据集上，我们的方法优于现有技术。我们的代码公开可用于此 https 网址。

Aug, 2023

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

本文通过引入在社交网络中生成隐藏社区的迭代结构减少方法，提出了一种名为迭代增强卷积 LSTM 网络（IBCLN）的玻璃表面反射去除方法，其具有级联预测以提高预测质量，使用 LSTM 传递级联步骤中的信息以解决梯度消失问题，并使用残差重构损失进行进一步的训练指导，实验证明该方法与现有的反射消除方法相比具有更好的效果。

Nov, 2019

这篇论文研究了反射去除的问题，提出了使用极化图像进行反射分离的极化 - 极化方法，并采用循环框架来逐步优化反射和传输分离的结果，实验证明该方法优于其他现有方法。

Feb, 2024