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
本文提出了一种基于深度学习架构，通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题，并通过使用二进制雨斑图和重复的雨检测实现更好的效果。
本文提出了一种基于生成对抗网络和视觉注意力机制的雨滴去除方法，成功地将雨滴污染的图像还原为干净图像，并取得了比同类方法更好的定量和定性效果。
Nov, 2017
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
提出一种基于密度感知的多流密集连接卷积神经网络算法来进行降雨密度估计和去雨，通过应用于训练了降雨密度标签的新数据集，该算法能有效地消除图像中对应雨纹，并能够在多尺度与不同形态下运用不同比例的特征以更好地表征雨纹。
Feb, 2018
本文设计了一种新的多任务深度学习体系结构，通过分解网络将雨图像分为干净的背景和雨层，进而进行去雨处理和图像恢复。实验结果表明，该结构在速度快、效果好方面表现优秀，同时具有广泛的应用前景。
Apr, 2018
本研究提出了一种基于深度卷积和循环神经网络的新型深度网络架构，用于单幅图像去雨。实验表明，在多个评估指标下，该方法优于现有的技术。
Jul, 2018
本文提出了Gradual Network (GraNet)，它是一个由粗糙阶段和精细阶段组成的网络。实验证明，该网络在保留图像细节的同时有效地去除了各种密度、尺度和形状的雨滴痕迹。
Sep, 2019
本文提出了一种基于多子网络和跨尺度融合的图像降雨去除方法，使用Gate Recurrent Unit对这些子网络进行跨尺度融合，并设计了一种内部尺度连接块，通过不同尺度之间的特征融合来提高雨的表示能力，实验结果表明，与现有方法相比，该方法具有优越性能。
Aug, 2020
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