0. 前言本文介绍了RDNet网络，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，替换原有Backbone网络。RDNet 是一种专为单图像反射去除任务设计的可逆解耦网络，为 YOLO 装上“可逆解耦之眼”：RDNet 以多列可逆编码器实现特征无损传播，让深层语义与浅层细节在检测中完美共存，在 COCO 上以 26.65dB 的 PSNR 刷新反射去除纪录的同时，为 YOLO 注入抗干扰的“透视”能力，让模型在复杂环境中依然能精准锁定目标！专栏链接：YOLO系列算法改进专栏链接专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！目录0. 前言1.RDNet网络简介2.RDNet网络原理与创新点🧠RDNet网络基本原理🎯RDNet网络创新点3.具体改进步骤🍀🍀步骤1：创建RDNet.py文件🍀🍀步骤2：tasks.py文件修改1.RDNet网络导入2.RDNet网络注册3. 其他修改1（Ctrl+F搜索定位一下）4. 其他修改2（Ctrl+F搜索定位一下）5. 其他修改3（_predict_once函数修改）🍀🍀步骤3：创建YAML配置文件🍀🍀步骤4：新建train.py文件训练模型🍀🍀步骤5：模型结构打印结果1.RDNet网络简介近期基于深度学习的单图像反射去除方法取得了显著进展，主要原因有二：1）利用识别预训练特征作为输入，2）设计双流交互网络。然而，根据信息瓶颈原理，高层语义线索在逐层传播过程中往往会被压缩或丢弃。此外，双流网络中的交互在不同层遵循固定模式，限制了整体性能。为了解决这些局限性，我们提出了一种称为可逆解耦网络的新颖架构，它采用可逆编码器来保障有价值信息的安全，同时在前向过程中灵活地解耦与透射和反射相关的特征。此外，我们定制了一个透射率感知提示生成器来动态校准特征，进一步提升性能。大量实验表明，RDNet 在五个广泛采用的基准数据集上优于现有最先进方法。RDNet 在 NTIRE 2025 真实世界单图像反射去除挑战赛的保真度和感知比较中均取得最佳性能。原始论文：