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
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
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
本文提出了一种名为 Concurrent Reflection Removal Network (CRRN) 的反射去除网络，该网络利用图像外观信息和多尺度梯度信息提出了一种新的、基于人类感知的损失函数，并应用于新的 3250 张真实世界场景下的反射图像数据集上进行了训练及与基准数据集的对比实验，结果表明该方法胜过了同类先进方法。
May, 2018
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
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
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。
本文提出了一种新的、基于深度神经网络的反射光去除算法，该算法采用两个级联模型，第一个模型用于估计反射层，第二个模型则利用反射层信息指导透射层估计，该算法在五个不同数据集上的实验表明其在定量和定性上比目前最先进的算法表现得更好。
Dec, 2020