Beim Fotografieren durch reflektierende Materialien wie Glas kommt es häufig zu überlagerten Bildern, bei denen sich die durchgelassene Szene und die reflektierte Szene vermischen, was die Bildschärfe beeinträchtigt. Herkömmliche Techniken zur Reflexionsentfernung haben zwar Fortschritte gemacht, können aber bei komplexen Reflexionsmustern und wechselnden Lichtverhältnissen oft keine Restartefakte vermeiden, was die Bildqualität mindert.
Die Entwicklung künstlicher Intelligenz bietet einen neuen Lösungsweg für dieses Problem. Ein Team unter der Leitung von Professor Jae-Young Sim von der Graduiertenschule für Künstliche Intelligenz am Ulsan National Institute of Science and Technology (UNIST) in Südkorea hat ein innovatives KI-Modell entwickelt, das effektiv Reflexionen von der durchgelassenen Szene trennen kann, um klarere und realistischere Bilder zu erhalten. Die zugehörige Forschungsarbeit wurde in der Fachzeitschrift „IEEE Transactions on Image Processing“ veröffentlicht.
Um die Grenzen bestehender Methoden bei komplexen, räumlich heterogenen Reflexionsszenen zu überwinden, entwickelte das Team eine Technik zur intelligenten Segmentierung überlagerter Bilder für eine gezielte Analyse. Diese Methode kann Reflexionen präzise entfernen und gleichzeitig die Integrität der durchgelassenen Szene bewahren.
Die Kerntechnologien des Modells umfassen „Complementary Mixture of Experts“ (CoME) und „Complementary Cross-Attention“ (CoCA). CoME nutzt eine Mixture-of-Experts-Architektur, die spezialisierte neuronale Netze basierend auf lokalen Reflexionseigenschaften dynamisch verschiedenen Bildregionen zuweist. Die Experten analysieren gemeinsam die Transmissions- und Reflexionsschichten, tauschen Informationen aus, um die Trennungsgenauigkeit zu verbessern, und zeigen besonders in Regionen mit vielfältigen Reflexionsmustern signifikante Effekte.
CoCA optimiert den Rekonstruktionsprozess, indem es sowohl stark als auch schwach korrelierte Regionen berücksichtigt. Im Gegensatz zu traditionellen Aufmerksamkeitsmechanismen, die sich nur auf hochkorrelierte Bereiche konzentrieren, erkennt CoCA, dass bedeutungsvolle Reflexionsdetails auch in schwach korrelierten Regionen existieren können, was eine umfassendere und effektivere Trennung ermöglicht.
Auswertungen auf diversen realen Datensätzen zeigen, dass diese Methode sowohl in visueller Qualität als auch in quantitativer Leistung bestehende Spitzentechnologien übertrifft. Selbst in anspruchsvollen Szenen mit komplexen Reflexionsverzerrungen kann sie robuste Ergebnisse liefern und überwindet damit die Schwächen früherer Modelle.
Professor Sim erklärt: „Reflexionen in natürlichen Szenen sind komplex und variabel, womit traditionelle neuronale Netze oft schwer umgehen können. Unser Ansatz bietet dank adaptiver Expertenzuweisung und eines dualen Aufmerksamkeitsmechanismus eine flexiblere und effektivere Lösung. Diese Technologie hat großes Potenzial für Bildgebungsanwendungen, von der Fotografie bis hin zu autonomen Systemen.“
Veröffentlichungsdetails: Autor: JooHyeon Heo, Ulsan National Institute of Science and Technology; Titel: „AI model excels in single image reflection removal“; erschienen in: „IEEE Transactions on Image Processing“ (2026).
