反射叠加现象在现实世界中复杂且广泛存在，这导致了该问题的各种简化线性和非线性模型的提出。本文通过研究现有模型的不足之处，引入了一个可学习的残差项，提出了更加通用的叠加模型形式。该残差项能够在分解过程中有效捕获剩余信息，引导分离层的完整性。为了充分发挥其优势，我们进一步精心设计了网络结构，包括一种新颖的双流交互机制和一个具有语义金字塔编码器的强大分解网络。我们进行了广泛的实验和消融研究，以验证我们的方法在多个现实世界的基准数据集上优于当前最先进的方法。我们的代码已公开发布在 https://github.com/mingcv/DSRNet。