單幅圖像反射去除是計算機視覺中的一個經典難題，旨在從透過玻璃拍攝的混合圖像中分離出清晰的背景（透射層）。儘管現有方法在特定場景下表現良好，但面對多種反射類型（如弱反射、強反射、語義反射）時，往往難以保持均衡的性能。來自中國的研究團隊提出了一種名為LowAux-RDNet的新方法，通過引入訓練專用的低通反射輔助目標，顯著提升了模型在不同反射分佈下的魯棒性和泛化能力。
LowAux-RDNet基於RDNet架構，該架構採用顯式分解流水線將圖像分解為反射層和透射層。創新之處在於LowAux——一個僅在訓練階段使用的低通反射輔助損失。傳統方法中，殘差目標直接監督反射層；而LowAux則對預測圖和目標圖進行對稱濾波，得到其低頻分量，從而為模型提供穩定的低頻約束。這種設計不僅保留了原始殘差監督的細節恢復能力，還引導模型關注全局反射模式，減少對高頻噪聲的過度擬合。由於LowAux僅參與訓練，推理時無額外計算開銷。
為了彌補合成數據與真實世界之間的差距，團隊引入了RRW數據集中的場景平衡真實反射-透射對。RRW通過精心選擇涵蓋不同場景和反射強度的圖像對，有效拓寬了訓練數據的真實場景覆蓋範圍，提升了模型在跨數據集上的泛化表現。
在評估方面，以往研究中因模型專屬的預處理（縮放、填充、輸出量化）和度量代碼差異導致比較不公平。為此，團隊構建了一個統一的公開基準，包含CEILNet、Real20、Postcard、Objects和Wild五個常用數據集。基於相同評估器，LowAux-RDNet取得了五個數據集的宏平均PSNR為27.546 dB、SSIM為0.9220、NCC為0.9751、LMSE為0.004760，在所有比較的公開模型和內部變體中均達到最優。逐數據集和定性分析表明，該方法的主要優勢在於跨反射分佈的更平衡性能。不過，對於Postcard數據集中包含清晰語義反射（如文字、圖案）的複雜情況，仍存在改善空間。
論文代碼已公開，為後續研究提供了可復現的基準。這一工作不僅推動了反射去除技術的實用化，也為評估標準化樹立了範例。