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

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

该研究利用自监督限制所提出的无监督去雨生成对抗网络 (UD-GAN) 解决了单幅图像去雨中标注 - 监督约束缺失等问题并在多种基准测试集和不同训练设置下表现出卓越的去雨效果。

Nov, 2018

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

使用事件相机进行视频去雨，通过事件感知的运动检测模块、金字塔自适应选择模块和真实世界数据集，提出一种端到端的基于学习的网络，证明了该方法的明显优越性。

Sep, 2023

该研究介绍了 NightRain，一种新颖的夜间视频去雨方法，使用自适应去雨和自适应校正来处理复杂的光效影响，通过使用无标签雨天视频进行训练，达到了超越现有方法的卓越性能，PSNR 值为 26.73dB，超过了其他方法 13.7% 的幅度。

Jan, 2024

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

提出了一种统一的无监督学习框架，结合了模型驱动的无监督优化方法和深度卷积神经网络，并利用该框架在只有少量真实雨天图像的情况下完成无监督训练和达到好的实现泛化和表征，从而实现对单幅图像中的雨痕进行有效去除。

Mar, 2022

本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法，可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题，并通过对真实雨天数据进行测试和评估，证明该方法在图像修复和细节保护方面优于其他现有的方法。

Apr, 2019

探索和建模降雨生成机制对于增加配对数据减轻降雨图像处理模型的训练任务至关重要，该研究提出了一种新颖的基于深度学习的降雨生成器，充分考虑了降雨背后的物理生成机制，并将基本降雨因素（即形状、方向、长度、宽度和稀疏度）的学习明确地编码到深度网络中。我们首次通过合理采用滤波器参数化技术实现了一个在降雨因素上可精细控制且能够纯粹通过数据学习这些因素的深度网络。我们的生成实验表明，由提出的降雨生成器生成的降雨不仅质量更高，而且对于去雨和下游任务比目前最先进的降雨生成方法更有效。此外，我们的配对数据增强实验，包括分布内和分布外（OOD），进一步验证了我们模型生成的样本的多样性，用于分布内去雨和 OOD 泛化任务。

Mar, 2024