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

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

本文提出了一个新的数据集，用于评估基于计算机视觉技术中的人工去雨算法的效果，并提出了新的评估协议来评估这些算法在道路监控视频的不同天气条件下对分割、实例分割和特征跟踪算法的提高效果，研究结果表明，近期的单帧基于的雨去除算法可以在提高分割的准确性方面提高 19.7%，但会对特征跟踪造成负面影响，而最好的基于视频的雨去除算法可以提高 7.72% 的特征跟踪准确度。

Oct, 2018

该论文综述了过去十年单张图像去雨的多种方法，分类总结了基于模型和基于数据驱动两种类型的方法，总结了雨的外观模型、性能比较和技术特点，并探讨了未来发展方向。

Dec, 2019

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。

Sep, 2016

本文针对单幅图像去雨算法进行了全面的研究和评估，建立了一个大规模的数据集作为对比基准，其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容，并将其分为雨纹、雨滴、雨和雾三个子集，每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准，从全参考度量到零参考度量，到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性，并提出了有前途的未来方向。

Mar, 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

通过知识蒸馏，我们提出了一种基于 Rain Review 的通用视频除雨网络（称为 RRGNet），它可以处理不同的雨线类型，并具备最佳的运行速度和除雨效果。

Aug, 2023

我们提出了一种联合解决降雨去除和 RAW 图像处理问题的方法，通过从降雨的 RAW 数据中合成含有雨痕的 RAW 数据以及干净的彩色图像，再进行彩色校正，实现从降雨的 RAW 图像中得到清晰的彩色图像，并且在与已有方法的比较中表现更好。

Dec, 2023