إزالة الانعكاسات غير المرغوب فيها من صورة واحدة تم التقاطها عبر نافذة زجاجية لها أهمية عملية في أنظمة الحوسبة البصرية. رغم أن الأساليب المتقدمة يمكنها الحصول على نتائج جيدة في بعض الحالات، إلا أن الأداء ينخفض بشكل كبير عند التعامل مع حالات عامة أكثر واقعية. تعود هذه الفشل إلى الصعوبة الجوهرية لإزالة الانعكاسات من صورة واحدة -- وهي مشكلة أساسية غير محددة بشكل جيد، وعدم كفاية البيانات التدريبية الموسومة بكثافة اللازمة لحل هذا الغموض داخل خطوط الأنابيب العصبية القائمة على التعلم. في هذا البحث، نعالج هذه القضايا من خلال الاستفادة من تعزيزات شبكة مستهدفة واستخدام بيانات غير متناسقة بطريقة جديدة. بالنسبة للأولى، نقوم بتعزيز هيكل الشبكة الأساسية عن طريق تضمين وحدات ترميز السياق التي تستطيع استغلال أدلة سياقية عليا لتقليل عدم التحديد في المناطق التي تحتوي على انعكاسات قوية. أما بالنسبة للثانية، فنقدم دالة خسارة ثابتة أمام التناظر (alignment-invariant) تسهل استخدام بيانات تدريب حقيقية غير متناسقة والتي تكون أسهل بكثير في جمعها. تظهر النتائج التجريبية مجتمعة أن طريقتنا تتفوق على أحدث الأساليب باستخدام البيانات المتناسقة، وأن هناك تحسينات كبيرة محتملة عند استخدام بيانات إضافية غير متناسقة.