CVPR 2019，做非对齐情况下的图像反光去除。去反光的问题主要有两个，分别是恢复过程中存储歧义性（就是哪些需要被去除，哪些不需要），以及缺少真实情况下完全对齐的图片。论文使用的方法整体结构如下所示:
在网络基本的setting上，这里去掉了BN，以及将通道数从64提到了256通道，以及特征提取时使用VGG网络，因为VGG网络可以提取一些语义层面上的特征，可以帮助后续的去反射部分。此外，为了更加充分利用全局信息，这里还使用了channel attention和多尺度卷积。在对齐的仿真数据上，这里使用了Pixel loss，Feature loss和Adv loss。
对于非对齐的情况下，这里论文发现高阶的语义特征对于非对齐情况下不敏感，但是可以有效帮助语义恢复，因此，这里使用VGG高层语义loss和Adv loss。在非对齐数据上训练时，这里在对齐情况下训练好的网络上进行finetune。
实验里，这里对于非对齐的情况还进行了仿真，即对像素进行一些偏移，然后进行训练，从而可以得到定量化的结果。总而言之，论文对于非对齐部分处理还是比较粗糙的，网络上也有许多可以改进的点。