ガラス窓を介して撮影された単一画像から望ましくない反射を取り除くことは、視覚計算システムにとって実用的に重要な課題である。最新の手法は特定の状況下で良好な結果を得られるが、より一般的な実世界のケースに対処する際には性能が大幅に低下する。これらの失敗は、単一画像反射除去の本質的な困難さ――問題の基本的な非適切性（ill-posedness）と、この曖昧性を解消するために学習ベースのニューラルネットワークパイプラインで必要となる密接ラベル付けされた訓練データの不足――に起因している。本論文では、これらの課題を解決するために対象としたネットワーク強化と未整列データの革新的な利用に焦点を当てている。前者については、高レベルの文脈情報を活用して強い反射が含まれる領域内の不定性を軽減できるコンテキストエンコーディングモジュールを埋め込んだ基準ネットワークアーキテクチャを拡張している。後者については、収集が容易な未整列の実世界訓練データを利用することを可能にする整列不変損失関数（alignment-invariant loss function）を導入している。実験結果は総じて、我々の方法が整列データを使用した場合に最先进技术を超えることを示しており、さらに未整列データを使用することで大幅な改善が見られることも示している。