摘要
近期基于深度学习的单图像反射去除方法取得了显著进展，这主要归因于两个方面：1）利用预训练的识别特征作为输入；2）设计双流交互网络。然而，根据信息瓶颈原理，高层次的语义线索在逐层传播过程中往往会受到压缩或被丢弃。此外，双流网络中的交互模式在不同层次上遵循固定模式，限制了整体性能。为了解决这些局限性，我们提出了一种新的架构——可逆解耦网络（Reversible Decoupling Network, RDNet），该网络采用可逆编码器来保护有价值的信息，并在前向传播过程中灵活地解耦传输相关和反射相关的特征。此外，我们定制了一个传输率感知的提示生成器，以动态校准特征，进一步提升性能。大量实验表明，RDNet 在五个广泛使用的基准数据集上优于现有的最先进方法。RDNet 在 NTIRE 2025 单图像反射去除挑战赛中，在保真度和感知比较方面均取得了最佳性能。我们的代码已发布在 https://github.com/lime-j/RDNet