在摄影时,当我们透过玻璃拍摄玻璃后面的物体,得到的照片中往往带有玻璃上反射物体的影像,严重影响了拍摄的图像质量。去反光任务则是从带反光的图像中分离出不带反光的背景图像,目前已经提出了关于去反光任务的一些方法,有传统方法和基于深度学习的方法,对于深度学习方法,通常需要大量的成对数据用于网络模型训练,但是获取大批量的成对真实反光数据集非常困难,因此目前普遍的做法是使用RGB图像采用线性模型合成训练数据。但是从反光成像及图像信号处理过程来看,这种合成方法与实际情况相去甚远,在此基础上训练的模型对于真实数据的泛化效果较差。而本文提出的方法基于RAW图像,通过分析反光成像过程并考虑图像信号处理过程的影响,提出了基于RAW图像的反光图像合成方法,并在之前工作的基础上,提出了基于上下文信息感知的单图像去反光网络模型,在目前5个基准测试集上取得了很好效果。本文的主要工作如下:1.拍摄了首个大批量RAW去反光数据集,总体拍摄RAW图像数量超过1700张。搭建了拍摄平台,并改进反射图像拍摄方法,拍摄了一套完备的RAW反光数据集,包括背景数据集、反射数据集、配对数据集、实验数据集,其中RAW反射图像数量超过700张,是目前最大规模的反射数据集;2.提出了一种新颖的基于RAW图像的反光图像合成方法。考虑反光成像原理及ISP过程影响,并基于曝光一致性原则提出曝光参数匹配的RAW图像反光合成方法,明显提高了合成反光图像质量;3.基于现有网络结构,提出了一种基于上下文信息感知的去反光网络模型,使用通道注意力机制的上下文编码模块,充分利用上下文信息,减少了图像分离时的歧义。并借助长短跳跃连接和多尺度特征模块,有效改善了网络模型的效果,输入单个反光图像,输出对应的去反光图像;4.针对整个深度网络的目标函数,采用多部分平衡损失函数,在传统的像素损失的基础上,使用感知损失、对抗损失等基于高层语义驱动网络模型训练;经过实验验证,在目前的5个真实数据基准测试集上,本文提出的方法可以有效改善去反光效果,取得领先的性能。本文的工作表明了RAW图像在去反光任务上的巨大价值,对于RAW图像应用于其他图像增强任务,诸如去雨、去雾等,有非常好的借鉴意义。