Das Phänomen der Reflexionsüberlagerung ist komplex und weit verbreitet in der realen Welt, was zu verschiedenen vereinfachten linearen und nichtlinearen Formulierungen des Problems geführt hat. In dieser Arbeit schlagen wir auf Basis der Untersuchung der Schwächen bestehender Modelle eine allgemeinere Form des Überlagerungsmodells vor, indem wir einen lernfähigen Restterm einführen. Dieser kann während der Zerlegung effektiv die Residualinformation erfassen und die getrennten Schichten zur Vollständigkeit führen. Um seine Vorteile voll auszunutzen, gestalten wir die Netzstruktur sorgfältig weiter, einschließlich eines neuartigen Dual-Stream-Interaktionsmechanismus (Dual-stream interaction mechanism) und eines leistungsfähigen Zerlegungsnetzes mit einem semantischen Pyramidenencoder. Ausführliche Experimente und Abschweifungsstudien wurden durchgeführt, um unsere Überlegenheit gegenüber den neuesten Ansätzen auf mehreren realweltlichen Benchmark-Datensätzen zu verifizieren. Unser Code ist öffentlich verfügbar unter https://github.com/mingcv/DSRNet.