초록
최근 단일 이미지 반사 제거를 위한 딥 러닝 기반 접근 방식은 두 가지 주요 이유로 인해 유망한 발전을 보여주었습니다: 1) 인식 사전 학습된 특징의 활용, 2) 듀얼 스트림 상호 작용 네트워크의 설계입니다. 그러나 정보 병목 원칙에 따르면, 고차원적인 의미론적 힌트는 계층별 전파 과정에서 압축되거나 버려지는 경향이 있습니다. 또한, 듀얼 스트림 네트워크에서의 상호 작용은 다양한 계층을 통해 고정된 패턴을 따르기 때문에 전체 성능이 제한됩니다. 이러한 한계를 극복하기 위해, 우리는 역방향 인코더를 사용하여 가치 있는 정보를 보장하면서 순방향 전달 과정에서 유연하게 전송 및 반사 관련 특징을 분리하는 새로운 아키텍처인 Reversible Decoupling Network (RDNet)을 제안합니다. 또한, 전송률에 따른 프롬프트 생성기를 맞춤화하여 특징을 동적으로 교정하여 성능을 더욱 향상시키고 있습니다. 광범위한 실험 결과는 RDNet이 다섯 개의 널리 채택된 벤치마크 데이터셋에서 기존 최신 방법론(SOTA)보다 우수함을 입증하였습니다. RDNet은 NTIRE 2025 단일 이미지 자연 환경 반사 제거 도전과제에서 충실도와 지각적 비교 모두에서 최고의 성능을 달성하였습니다. 우리의 코드는 https://github.com/lime-j/RDNet 에서 확인할 수 있습니다.