通过使用监视摄像头，设计了一个系统来检测降雨。使用 3D 卷积的现代 CNN 方法与先前的最新方法进行比较，结果表明，选择感兴趣区域对性能有很大的影响，并且该提议的 3D CNN 在所有指标上都表现出比以前的最新方法更好的表现。

Aug, 2019

本研究对当前针对视频和单张图片的雨滴去除方法进行了全面综述和评估，包括模型驱动方法和数据驱动方法，并推出了相关工具库，以便进行表现比较和性能评价。

Sep, 2019

本文介绍了一种雨渲染流程，可用于定量评估常见计算机视觉算法对不同程度降雨的影响，通过添加物理和数据驱动的合成雨生成合成数据集，证明算法的性能随着恶劣天气的增加而降低，且在增强的合成数据上微调可获得较高的性能提升。

Sep, 2020

通过将场景分解为深度一致的单位，并在 SP 级别对场景内容进行对齐处理，本文提出了一种新的去雨算法，该算法采用卷积神经网络将排序空间 - 时间匹配张量和一致的时间匹配张量准备用作输入特征，从而为中间去雨输出恢复高频细节。

Mar, 2018

本文提出了一种通用降雨攻击方法（URA），该方法通过生成一种非加性的空间扰动，显著降低了场景修复的相似度和图像生成质量，从而针对图像去雨算法的漏洞展开攻击，并证明 URA 方法可对现有单图像去雨算法减少场景修复能力和图像生成质量，从而得出了一种图像去雨算法的漏洞检测工具。

Nov, 2022

本文针对强降雨情况下图像和视频的降雨除去问题进行了深入研究，发现深度学习技术的降雨去除方法更容易受到针对性的对抗攻击，因此本文综合比较了不同深度学习算法在人类感知和机器分析任务下的降雨去除效果及其对于对抗攻击的鲁棒性。除此之外，本文还结合审核结果构建了一种更加鲁棒的降雨除去技术，同时还对各类面向降雨除去问题的对抗攻击及其对于人类和机器视觉任务的影响进行了分析，并提供了可供使用的代码。

Mar, 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

本研究提出了一种改进在有附着雨滴和条纹影响的图像分割任务的方法，通过引入新颖的立体数据集并以此进行噪声降低生成器的训练，最终有效去除真实的水滴所产生的影响，并在道路标记分割和语义分割等任务中展现出显著的提高。

Jan, 2019

本研究提出一种基于视频的贴附式雨滴去除方法，分为单图像模块和多帧模块两个阶段，前者使用雨滴去除网络生成初步结果，后者根据多帧输入和输出之间的时空关系进行进一步优化，采用非监督学习方法进行贴附式雨滴去除。

May, 2022

通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

Jun, 2024