深度驱动的 Mamba 模型搭配记忆专家，实现全时段图像反射分离

图像反射分离旨在从混合图像中解耦出传输层和反射层。现有方法依赖单张图像的有限信息，容易在图层对比度相似时将两者混淆，这在夜间更为严峻。为此，我们提出 Depth-Memory Decoupling Network (DMDNet)。该网络采用 Depth-Aware Scanning (DAScan) 指导 Mamba 网络关注显著结构，促进沿语义一致性的信息流，以构建稳定的状态。与 DAScan 协同工作，Depth-Synergized State-Space Model (DS-SSM) 通过深度调制状态激活灵敏度，抑制干扰层 disentanglement 的模糊特征的扩散。此外，我们引入 Memory Expert Compensation Module (MECM)，利用跨图像的历史知识引导专家提供层特定的补偿。为解决夜间反射分离缺乏数据集的问题，我们构建了 Nighttime Image Reflection Separation (NightIRS) 数据集。大量实验表明，DMDNet 在日间和夜间均优于当前最先进的方法。