单图像反射分离（single-image reflection separation）旨在从一张包含反射的混合图像中，同时恢复出透射层（被拍摄的真实场景）和反射层（玻璃等表面反射出的景象）。这一任务在眩光强烈或反射非常微弱的极端条件下极具挑战性。现有方法往往因可用信息不足，难以同时准确重建两层内容，容易在某一层上出现严重的细节丢失或伪影。针对这一问题，一篇发表于 CVPR 2026 的论文提出了一种专门针对该任务进行微调的扩散模型方法，题为《Reflection Separation from a Single Image via Joint Latent Diffusion》，作者为 Zheng-Hui Huang 等四人，论文于 2026 年 6 月 2 日提交至 arXiv，编号为 arXiv:2606.04107v1，属于计算机视觉与模式识别（cs.CV）方向。
该工作的核心思路是利用生成式扩散先验（generative diffusion priors）来提升分离的稳健性。与分别处理两层的传统流程不同，研究者采用一个统一的扩散模型同时生成透射层和反射层，并在模型内部引入了一种新颖的跨层自注意力机制（cross-layer self-attention），以便更好地对两层特征进行解耦。这一设计使模型能够在生成过程中让两层信息相互参照，同时又避免彼此过度干扰，从而在信息匮乏的极端场景下仍能恢复出较合理的两层内容。
除了网络结构上的创新，论文还提出了两项关键的采样与优化策略。其一是分离式采样策略（disjoint sampling strategy），在扩散过程的迭代中逐步减少两层之间的相互干扰，避免一层的内容“泄漏”到另一层的生成结果中。其二是带有可学习合成函数（learned composition function）的潜空间优化步骤（latent optimization step），用于在复杂真实场景下进一步改善输出质量，使分离结果更符合实际的图像合成规律。这些设计共同构成了一个面向真实世界复杂条件的完整分离框架。
作者在多个真实世界基准数据集上进行了大量实验，结果表明该方法在性能上超越了现有的最先进方法（state-of-the-art），尤其在眩光和弱反射等困难条件下表现更为突出。论文提供了项目主页（https://brian90709.github.io/diff-reflection-separation/），供读者查看结果与更多资料。从研究意义上看，该工作将扩散模型的生成先验引入单图像反射分离任务，并通过统一建模、跨层注意力、分离式采样和潜空间优化等手段系统性地应对信息不足的问题，为极端条件下的图像层分离提供了新的技术路线，也对图像复原、计算摄影等相关领域具有参考价值。
需要说明的是，该论文目前以预印本形式发布，其结论主要基于作者自述的实验结果；具体的方法细节、实验设置与对比数据仍需以论文全文和后续同行评议为准。此外，论文摘要未披露模型规模、训练数据构成及推理开销等工程细节，这些因素将影响该方法在实际产品中的可用性。总体而言，该研究展示了扩散先验在反射分离任务上的潜力，并为后续在更强眩光、更弱反射等极端场景下的鲁棒分离研究提供了可借鉴的思路。