Resumen Técnico: Desafío NTIRE 2026 de Eliminación de Reflexiones en Imágenes Únicas (SIRR) en Escenarios Reales

1. El Problema

La eliminación de reflexiones en imágenes únicas (SIRR, por sus siglas en inglés) es una tarea fundamental en la restauración de imágenes. El objetivo es recuperar la capa de transmisión ($T$) de una imagen de entrada ($I$) que está contaminada por una capa de reflexión ($R$) causada por superficies reflectantes (como vidrio).

A pesar de los avances en investigación académica, la mayoría de los métodos existentes se han probado en imágenes sintéticas o en conjuntos de datos reales limitados. Esto ha creado una brecha significativa entre el rendimiento académico y las aplicaciones prácticas en el mundo real. Los desafíos principales incluyen:

• La naturaleza mal planteada del problema (es difícil separar $T$ y $R$ sin información adicional).
• La escasez de datos reales de alta calidad con alineación a nivel de píxel perfecta.
• La dificultad de generalizar modelos a diversos escenarios de iluminación y tipos de reflexión.

2. Metodología y Contribuciones Clave

A. Nuevo Conjunto de Datos: OpenRR-5k

La contribución más significativa del desafío es la introducción del conjunto de datos OpenRR-5k, diseñado específicamente para cerrar la brecha entre lo sintético y lo real.

• Protocolo de Recolección Innovador: A diferencia de los métodos tradicionales que usan telas negras o eliminación manual de vidrio (lo que causa desalineación), este desafío utilizó una herramienta de IA integrada en smartphones (OPPO AI Reflection Remover) para generar imágenes de referencia (ground-truth).
• Proceso de Generación:
  1. Detección de reflexiones (YOLO/YOSO).
  2. Inpainting de regiones enmascaradas (LaMa).
  3. Eliminación de reflexiones (NAFNet).
  4. Refinamiento manual profesional (Photoshop/MeituPic) para eliminar residuos sutiles.
• Composición del Dataset:
  • Entrenamiento: 5,000 pares de imágenes (Imagen mezclada $I$ + Transmisión real $T$).
  • Validación: 300 pares (solo $I$ proporcionado a los participantes).
  • Prueba: 100 imágenes de entrada sin referencia de verdad absoluta (evaluación ciega).
  • Diversidad: Cubre paisajes, humanos, objetos, animales y diversas condiciones de luz (día, interior, noche).

B. Evaluación

El desafío utilizó una combinación de métricas objetivas y subjetivas:

• Métricas Objetivas (Set de Validación): PSNR, SSIM, LPIPS, DISTS y NIQE.
• Evaluación Subjetiva (Set de Prueba): Un panel de 5 expertos evaluó la limpieza de la eliminación de reflexiones, la ausencia de artefactos y la calidad general de la imagen. La puntuación final fue un promedio ponderado donde la calidad general tenía el mayor peso (50%).

3. Resultados del Desafío

El desafío atrajo a más de 100 registros y 11 equipos compitieron en la fase final. Los resultados mostraron un avance significativo en el estado del arte (SOTA).

Ganadores y Rendimiento

1. 1er Lugar: RRay (RRay)

   • Puntuación Subjetiva: 4.45 (La más alta).
   • Métricas: Mejor PSNR (36.17) y muy competitivo en SSIM y LPIPS.
   • Método: RdNafNet, una red en cascada de dos etapas. La primera etapa usa RDNet para eliminar reflexiones prominentes, y la segunda usa NAFNet para recuperar detalles finos perdidos. Utilizaron una mezcla de datos reales y sintéticos.

2. 2do Lugar: Xreflect Master

   • Puntuación Subjetiva: 4.31.
   • Método: Basado en RDNet pero escalado con FocalNet-XL y destilación de modelos de difusión. Utilizaron un conjunto de datos masivo combinando OpenRR-5k con otros datasets públicos y datos sintéticos generados por difusión para crear "pseudo-ground truth" en casos difíciles.

3. 3er Lugar: AIIALab

   • Puntuación Subjetiva: 4.23.
   • Método: MS-RDNet, una versión de refinamiento de RDNet con tres etapas: pre-entrenamiento supervisado, ajuste fino perceptual con pérdida adversaria, y puntuación de consistencia de profundidad para fusionar modelos.

Observaciones Generales

• Correlación PSNR-Subjetiva: En los mejores métodos, el PSNR se alineó bien con la evaluación subjetiva, sugiriendo que en datos reales, la fidelidad a nivel de píxel se traduce directamente en calidad perceptual.
• Limitaciones: Métodos con PSNR similares mostraron diferencias notables en calidad visual, lo que subraya que las métricas tradicionales no capturan completamente la percepción humana.
• Técnicas Comunes: El uso de Test-Time Augmentation (TTA), promedios de pesos (Model Soup/SWA) y arquitecturas basadas en Transformers o redes convolucionales profundas fueron comunes entre los ganadores.

4. Significado e Impacto

Este desafío marca un hito importante en el campo de la restauración de imágenes por varias razones:

1. Puente Academia-Industria: Al utilizar un dataset generado con herramientas de IA reales (OPPO) y refinado manualmente, los resultados son directamente aplicables a productos comerciales (como cámaras de smartphones), reduciendo la brecha entre investigación teórica y aplicación práctica.
2. Establecimiento de un Nuevo Estándar: OpenRR-5k se convierte en el nuevo benchmark para SIRR en el mundo real, superando a datasets anteriores que dependían de configuraciones de laboratorio artificiales.
3. Avance en Algoritmos: Los métodos ganadores demostraron que las arquitecturas híbridas (combinando redes convolucionales, Transformers y principios de difusión) son superiores para manejar la complejidad de las reflexiones reales, especialmente cuando se combinan con estrategias de entrenamiento progresivo y fusión de modelos.
4. Reconocimiento de Desafíos Pendientes: A pesar del éxito, el informe concluye que aún existen desafíos para lograr una calidad perceptual consistente en todas las escenas, especialmente en condiciones de iluminación extremas o reflexiones muy fuertes.

En conclusión, el desafío NTIRE 2026 SIRR no solo impulsó el rendimiento técnico de los algoritmos de eliminación de reflexiones, sino que también proporcionó los recursos de datos y la evaluación rigurosa necesarios para que la comunidad avance hacia soluciones robustas y comercialmente viables.