提出了一种名为 AdaNAS 的自我监督神经架构搜索方法，用于进行降雨预报后处理并高精度预测降雨，通过设计降雨感知搜索空间和降雨级别正则化函数，显著提高了对高降雨区域的预报准确性，与其他神经架构搜索方法和以前的研究相比，提出的 AdaNAS 模型在降水量预测和强度分类方面表现出令人满意的性能和优越性。
Dec, 2023
基于雨天对成像系统正常运行的重大影响，本文提出了一种双支路注意力融合网络的方法，旨在解决多维图像特征融合的问题，通过引入两个支路的网络结构和注意力融合模块，完成了完备的消融实验和足够的对比实验，证明了该方法的合理性和有效性。
Jan, 2024
提出了一种高性能的多尺度注意力神经结构搜索（MANAS）框架，通过梯度搜索算法自动搜索内部多尺度注意力架构来构建功能强大的图像去雨网络，并采用多种损失函数联合优化来实现图像去雨的性能和可控模型复杂度。
Jul, 2022
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
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
该研究提出了一个名为 DAiAM 的深度去雨网络，它包括两个 DAM，用于同时消除雨滴和雨 streak，DAiAM 通过两个关注映射，分别关注重雨区域和轻雨区域进行不同的导雨处理，同时还提出了一个 D-DAiAM 来解决一些难于处理的区域，并在实验中获得了最先进的效果。
Mar, 2021
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
本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法，并设计了一个三分支模型，并提出了一个新的数据集 Rain3000 来验证模型的性能和效果，实验结果表明，该方法在公开数据集 Rain100L，Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。
May, 2021
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