Reversibles Entkopplungsnetzwerk zur Reflexentfernung in Einzelbildern

Kürzliche Ansätze zur Reflexentfernung in Einzelbildern auf Basis des Deep Learnings haben vielversprechende Fortschritte gezeigt, hauptsächlich aus zwei Gründen: 1) der Nutzung von vorgefertigten Merkmalen für die Erkennung als Eingaben und 2) der Entwicklung von Dual-Stream-Interaktionsnetzen. Laut dem Informationsflaschenhalsprinzip (Information Bottleneck principle) neigen hochwertige semantische Hinweise jedoch dazu, während der Schicht-für-Schicht-Ausbreitung komprimiert oder verworfen zu werden. Zudem folgen die Interaktionen in Dual-Stream-Netzen einem festen Muster über verschiedene Schichten hinweg, was die Gesamtleistung einschränkt. Um diese Einschränkungen zu überwinden, schlagen wir eine neuartige Architektur vor, das sogenannte Reversible Decoupling Network (RDNet). Dieses Netzwerk verwendet einen reversiblen Encoder, um wertvolle Informationen zu sichern, während es gleichzeitig flexibel transmissive und reflektive Merkmale während des Vorwärtsdurchgangs entkoppelt. Darüber hinaus passen wir einen prompt-basierten Generator an, der bewusst auf die Übertragungsrate abgestimmt ist, um die Merkmale dynamisch zu kalibrieren und so die Leistung weiter zu verbessern. Ausführliche Experimente zeigen die Überlegenheit des RDNet im Vergleich zu den bestehenden Stand-of-the-Art-Methoden auf fünf weit verbreiteten Benchmark-Datensätzen. RDNet erzielt in der NTIRE 2025 Single Image Reflection Removal in the Wild Challenge sowohl in Bezug auf Fidelity als auch bei perceptuellen Vergleichen die beste Leistung. Unser Code ist unter https://github.com/lime-j/RDNet verfügbar.