隔着玻璃拍东西，是最常见也最没办法的一类翻车：橱窗里的鞋、水族馆里的鱼、博物馆展柜里的青铜器、车窗外的街景——你想拍的那一层（论文里叫透射层，就是玻璃后面你真正想要的画面）总是被玻璃反射的另一层盖住，而且反光会随着你走动而滑动。单张照片去反光已经研究了很多年，但视频去反光几乎是空白。
卡住这件事的不是模型，是数据
要训一个去反光的模型，你得有成对样本：同一段画面，一份带反光、一份不带，而且逐帧严丝合缝对齐。现实里拍不出来——你把玻璃撤掉再拍一遍，光照变了、手抖了、路上的人走了。
于是过去大家用一条捷径：拿两段干净视频，按比例叠加，一段当"透射"，一段当"反光"。问题是真实玻璃不是这么工作的。玻璃粗糙一点，反光就是糊的；玻璃厚一点，前后两个表面各反一次，会出现错开的重影；镀膜和入射角决定反光有多强。简单叠加把这些全抹平了，模型学到的是一种在现实中不存在的反光。
转折：把"去除"倒过来，先做一个能捏的"造反光"
这篇论文的做法是把合成从像素层面抬到结构层面。它不在 RGB 上叠图，而是在线稿（lineart，图像抽出的轮廓线，只保留结构、丢掉颜色和明暗）上做文章：
先训一个"反光渲染器"。素材来自 FLUX——一个文生图模型——逐帧给干净视频"加上反光"，生成一批伪样本。这批伪样本逐帧独立生成、会闪，所以它们不当最终数据用，只当老师：渲染器（基于视频扩散模型 Wan2.1）从中学的是"反光在画面上应该长什么样"这件事本身。
有了渲染器，造数据就成了拼装：拿两段干净视频，把其中一段的线稿当作反光的几何，对它施加一组带物理含义的变换——模糊对应玻璃粗糙度、错位重影对应玻璃厚度、强弱对应反射率，还有只覆盖画面一部分、以及不随镜头移动的静止反光——再把它和目标画面的线稿融在一起，交给渲染器渲成一段真实感的带反光视频。因为透射层始终是那段原始干净视频，配对天然就是精确的。
去除端则简单得多：在一个预训练的视频扩散模型上做两阶段适配，让它一步去噪就吐出干净的透射层。这里"一步"是关键——扩散模型通常要反复迭代几十次，慢得没法用。
数字里值得注意的两个
一是速度：832×480 分辨率下每帧 87 毫秒，而同期的扩散类方法要 7215 毫秒——差了近百倍，甚至比不用扩散的方法（145 毫秒）还快。这不是调优调出来的，是"一步去噪"这个设计带来的。它意味着这条路线离真机后处理不算远。
二是人工评测里的一个分项：在 50 段实拍视频上，参与者既打"反光去掉了多少"，也打"原画面保住了多少"。S2R 的保留分是 0.98，而生成能力很强的对比方法只有 0.83–0.87。这正是生成式修复的老毛病——它一边擦反光，一边顺手把玻璃后面的字、纹理、人脸改成了自己编的版本。分开打这两个分，比只报一个 PSNR 诚实得多。
可能落到哪里
最直接的是手机——这篇出自小米 MiLM Plus，去反光作为拍摄后处理或录像实时预览的一环，是个成立的产品位置。往外扩，行车记录仪隔着挡风玻璃录像、博物馆与展会的手机记录、电商隔柜台拍商品、以及把去反光当作检测/识别的前处理（论文附录也测了下游收益），都是同一个能力。更值得留意的是数据这一半：把"合成退化"从写公式改成"训一个渲染器 + 一组物理化的可控参数"，这套思路对去雨、去雾、去屏幕摩尔纹这些同样缺成对数据的任务是通用的。
存疑的地方
第一，评测有自证成分。60 段配对测试视频是他们自己的管线生成的，全参考指标（PSNR/SSIM）天然偏向自家合成的反光分布；真正有分量的是那 50 段实拍的人评，而人评样本量不大。
第二，合成并没有取代传统方法。论文自己的消融显示：只用传统叠加合成提升 +3.93 dB，只用他们的合成 +4.30 dB，两者一起用才是 +5.21 dB。这是互补关系，不是"旧方法作废"。
第三，作者列出的两个失败面很实在：多层玻璃套着的嵌套反光，模型要么留一层残影、要么把本该保留的那层也擦了——因为"这层反光算不算画面的一部分"本身就没有唯一答案；另外合成时反光是按整段片段设定参数的，没有建模镜头移动时反光相对背景的视差变化，而这恰恰是视频区别于单图最典型的线索。换句话说，它造出的反光在时间上是连贯的，但还不够"会动"。