基于多流密集网络的密度感知单幅图像去雨
通过引入规模感知的多阶段卷积神经网络和并行子网络的概念，本文旨在解决在不同大小和方向的雨滴覆盖下，雨液、散射和透射造成的遮挡和降低对比度等问题，该方法在合成和实际图像上的实验显示，在雨滴去除方面具有创新性，并优于现有技术。
Dec, 2017
本文提出了一个基于对比学习的图像去雨方法，使用递归动态多尺度网络来提高降雨性能，实现了优秀的效果并超越了现有方法，并且该方法在客观检测和语义分割方面也表现出了很好的性能。
May, 2023
本文提出了一种高阶协同网络，其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块，有助于实现去雨滴效果的提高，并通过自我监督学习方法来提高模型性能。
Feb, 2022
本研究提出一个半自动的方法来生成高质量的干净图像，并构建了一个大规模的数据集，以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network（SPANet）以本地到全局的方式移除雨条带，并取得了与现有去雨技术相当的优异性能。
Apr, 2019
该研究介绍了一种名为 DerainNet 的基于深度卷积神经网络的图像去雨筋方法，并使用合成数据进行训练，提高了真实数据上的去雨效果，并在计算时间方面得到了显著提高。
Sep, 2016
本文介绍了一种基于模型的深度神经网络，使用具有解释性和恰当的物理结构的数据结构，以实现单图像去雨任务的最先进性能，并通过端对端培训，自动提取所有雨滴核和接近算子，特别是在实际情况下具有更好的去雨性能。
May, 2020
此文介绍了一种基于多尺度协作表示法的单图像除雨方法，利用尺度空间和分层深度特征构建多尺度渐进融合网络，采用循环计算来捕捉全局纹理信息，引入注意力机制实现对不同尺度信息的精细融合，从而提高了模型的训练效率，在多个基准数据集上达到了最先进的除雨结果，启发了视觉任务驱动图像除雨的新研究方向。
Mar, 2020
我们提出了一种名为 MDeRainNet 的高效网络，用于去除光场图像中的雨线，该网络采用多尺度编码器 - 解码器架构，在 Macro-pixel 图像上直接进行操作以提高雨线去除性能，并且借助 Extended Spatial-Angular Interaction (ESAI) 模块来完全建模空间和角度信息之间的全局相关性，并引入半监督学习框架以改善网络在现实场景中的泛化性能。经过对合成和真实光场图像的广泛实验证明，我们的方法在定量和定性上均优于现有方法。
Jun, 2024
本文为了填补现有方法在处理不同场景下的雨滴降噪时缺乏普适性和效率的困境，提出了一种基于像素扩张滤波的实时、无需对雨滴模型作出特定假设的降噪方法 EfficientDeRain，并提出了有效的数据增强方法 RainMix 以增加对真实世界图像的适应性。
Sep, 2020