Das Problem der Spiegeldetektion ist von großer Bedeutung, da Spiegel die Leistung vieler visueller Aufgaben beeinträchtigen können. Es stellt eine schwierige Aufgabe dar, da ein Verständnis der globalen Szenen-Semantik erforderlich ist. Kürzlich wurde ein Verfahren vorgestellt, das Spiegel durch das Lernen von mehrstufigen kontextuellen Kontrasten zwischen dem Inneren und dem Äußeren von Spiegeln erkennt, wodurch die Spiegelkanten indirekt lokalisiert werden können. Wir beobachten, dass der Inhalt einer Spiegeloberfläche den Inhalt ihrer Umgebung widerspiegelt, wobei die Spiegelkante diese beiden Bereiche trennt. Daher schlagen wir in diesem Artikel ein Modell vor, das schrittweise die Inhaltssimilarität zwischen dem Inneren und Äußeren einer Spiegeloberfläche lernt, während die Spiegelkanten explizit detektiert werden. Unsere Arbeit leistet zwei Hauptbeiträge. Erstens stellen wir einen neuen relationalen kontextuellen Kontrast-Local-(RCCL)-Modul vor, der Spiegelmerkmale mit ihren entsprechenden Kontextmerkmalen extrahiert und vergleicht, sowie einen Edge-Detection-und-Fusion-(EDF)-Modul, der die Merkmale von Spiegelkanten in komplexen Szenen durch explizite Supervision lernt. Zweitens haben wir eine anspruchsvolle Benchmark-Datensammlung mit insgesamt 6.461 Spiegelbildern erstellt. Im Gegensatz zum bestehenden MSD-Datensatz, der eine begrenzte Vielfalt aufweist, umfasst unsere Datensammlung eine große Vielzahl an Szenen und ist deutlich größer im Umfang. Experimentelle Ergebnisse zeigen, dass unser Modell die aktuellen state-of-the-art-Methoden übertrifft.