유리 표면을 통해 촬영된 단일 이미지에서 불필요한 반사 현상을 제거하는 문제는 정의되지 않은(ill-posed), 도전적인 그러나 사진 품질 향상에 실용적으로 중요한 과제이다. 사회 네트워크 내 숨겨진 커뮤니티 탐지에 대한 반복적 구조 감소 기법에 영감을 받아, 반사 제거를 위한 연속 예측(cascaded prediction)을 가능하게 하는 반복 부스팅 컨볼루션 LSTM 네트워크(Iterative Boost Convolutional LSTM Network, IBCLN)를 제안한다. IBCLN은 전달층(transmission layer)과 반사층(reflection layer)의 추정치를 반복적으로 개선하는 계단형(cascaded) 구조의 네트워크로, 두 층이 서로 예측 품질을 향상시키는 방식으로 상호 보완적으로 작동한다. 계단 간 정보 전달은 LSTM을 통해 이루어지며, 그 핵심 아이디어는 전달층이 강하고 주도적인 구조이며, 반사층은 약하고 숨겨진 구조라는 점이다. 단일 이미지 내에서 이 두 구조는 서로 보완적이므로, 원본 이미지로부터 한 층에 대한 개선된 추정과 제거가 다른 층에 대한 더 정확한 추정을 가능하게 한다. 여러 계단 단계에서의 학습을 촉진하기 위해, vanishing gradient 문제를 해결하기 위해 LSTM을 활용하고, 추가적인 학습 안내를 제공하기 위해 잔차 재구성 손실(Residual Reconstruction Loss)을 제안한다. 또한, 데이터 부족 문제를 완화하기 위해 실제 환경 이미지와 그에 해당하는 정답 전달층을 포함하는 데이터셋을 구축하였다. 광범위한 실험을 통해 제안한 방법이 최신 반사 제거 기법들과 비교하여 실제 및 합성 이미지에서 반사 현상을 효과적으로 제거할 수 있음을 입증하였다.