Le phénomène de superposition des réflexions est complexe et largement répandu dans le monde réel, ce qui a conduit à diverses formulations simplifiées du problème, tant linéaires que non linéaires. Dans cet article, en nous appuyant sur l'analyse des faiblesses des modèles existants, nous proposons une forme plus générale du modèle de superposition en introduisant un terme résiduel apprenable. Ce terme permet de capturer efficacement les informations résiduelles lors de la décomposition, guidant ainsi les couches séparées vers leur complétude. Pour tirer pleinement parti de ses avantages, nous avons conçu avec soin la structure du réseau, incluant un mécanisme d'interaction à double flux novateur et un réseau de décomposition puissant doté d'un encodeur pyramidal sémantique. De nombreuses expériences et études d'ablation ont été menées pour vérifier notre supériorité par rapport aux approches de pointe sur plusieurs jeux de données de référence réels. Notre code est disponible au public sur https://github.com/mingcv/DSRNet.