LowAux-RDNet：低通残差监督与场景平衡的真实世界训练用于单幅图像反射去除

单幅图像反射去除是计算机视觉中的一个经典难题，旨在从透过玻璃拍摄的混合图像中分离出清晰的背景（透射层）。尽管现有方法在特定场景下表现良好，但面对多种反射类型（如弱反射、强反射、语义反射）时，往往难以保持均衡的性能。来自中国的研究团队提出了一种名为LowAux-RDNet的新方法，通过引入训练专用的低通反射辅助目标，显著提升了模型在不同反射分布下的鲁棒性和泛化能力。

LowAux-RDNet基于RDNet架构，该架构采用显式分解流水线将图像分解为反射层和透射层。创新之处在于LowAux——一个仅在训练阶段使用的低通反射辅助损失。传统方法中，残差目标直接监督反射层；而LowAux则对预测图和目标图进行对称滤波，得到其低频分量，从而为模型提供稳定的低频约束。这种设计不仅保留了原始残差监督的细节恢复能力，还引导模型关注全局反射模式，减少对高频噪声的过度拟合。由于LowAux仅参与训练，推理时无额外计算开销。

为了弥补合成数据与真实世界之间的差距，团队引入了RRW数据集中的场景平衡真实反射-透射对。RRW通过精心选择涵盖不同场景和反射强度的图像对，有效拓宽了训练数据的真实场景覆盖范围，提升了模型在跨数据集上的泛化表现。

在评估方面，以往研究中因模型专属的预处理（缩放、填充、输出量化）和度量代码差异导致比较不公平。为此，团队构建了一个统一的公开基准，包含CEILNet、Real20、Postcard、Objects和Wild五个常用数据集。基于相同评估器，LowAux-RDNet取得了五个数据集的宏平均PSNR为27.546 dB、SSIM为0.9220、NCC为0.9751、LMSE为0.004760，在所有比较的公开模型和内部变体中均达到最优。逐数据集和定性分析表明，该方法的主要优势在于跨反射分布的更平衡性能。不过，对于Postcard数据集中包含清晰语义反射（如文字、图案）的复杂情况，仍存在改善空间。

论文代码已公开，为后续研究提供了可复现的基准。这一工作不仅推动了反射去除技术的实用化，也为评估标准化树立了范例。