光源を検出するモジュールの出力が変換の前後で一致するように学習し、かつ光源やフレアを検出するモジュールとフレアの有無を変換するモジュールを組み合わせて画像を再構成するGANのネットワーク構造を提案した。フレア画像とフレアなし画像で、再構成する過程を変化させている。また、ペアではないフレア画像996枚とフレアなし画像672枚のデータセットも構築した。

構築したデータセットで定量的及び定性的な評価を行い、CycleGANを含む従来手法を上回る結果。Ablation Studyで、各々のモジュールや損失関数の有無による比較も実施している。

既存の論文が少ないタスクで、要所を押さえた評価を実施しているため通ったと考えられる。ただ、データセットやモジュールの詳細は公開されていないため、再現実験や発展させた研究が困難に見えることが気になった。