Les approches récentes basées sur l'apprentissage profond pour la suppression de réflexion dans une seule image ont montré des avancées prometteuses, principalement pour deux raisons : 1) l'utilisation de caractéristiques pré-entraînées pour la reconnaissance en tant qu'entrées, et 2) la conception de réseaux d'interaction à double flux. Cependant, selon le principe du goulot d'étranglement de l'information (Information Bottleneck), les indices sémantiques de haut niveau ont tendance à être compressés ou abandonnés lors de la propagation couche par couche. De plus, les interactions dans les réseaux à double flux suivent un modèle fixe à travers différentes couches, limitant ainsi les performances globales. Pour remédier à ces limitations, nous proposons une nouvelle architecture appelée Réseau de Découplage Réversible (RDNet), qui utilise un encodeur réversible pour sécuriser les informations précieuses tout en décorrélant flexiblement les caractéristiques liées à la transmission et à la réflexion lors de la passe avant. De plus, nous avons conçu un générateur de prompts sensible au taux de transmission pour calibrer dynamiquement les caractéristiques, ce qui améliore encore davantage les performances. Des expériences approfondies montrent la supériorité du RDNet par rapport aux méthodes SOTA existantes sur cinq jeux de données de référence largement adoptés. Le RDNet obtient les meilleures performances au défi NTIRE 2025 Single Image Reflection Removal in the Wild, tant en termes de fidélité que de comparaison perceptuelle. Notre code est disponible sur https://github.com/lime-j/RDNet