此文介绍了一种基于多尺度协作表示法的单图像除雨方法，利用尺度空间和分层深度特征构建多尺度渐进融合网络，采用循环计算来捕捉全局纹理信息，引入注意力机制实现对不同尺度信息的精细融合，从而提高了模型的训练效率，在多个基准数据集上达到了最先进的除雨结果，启发了视觉任务驱动图像除雨的新研究方向。

Mar, 2020

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

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

为了有效地探索雨纹的多尺度表示，我们提出了一种端到端的多尺度 Transformer，利用各种尺度上的潜在有用特征来促进高质量的图像重建，并结合空间变化的雨纹的内部尺度隐式神经表示，在复杂场景中提高模型的鲁棒性；通过粗到细和细到粗的信息传递，嵌入一种简单而有效的尺度间双向反馈操作，以确保更丰富的协同表示；广泛的实验证明，我们的方法 NeRD-Rain 在合成和实际世界基准数据集上表现优异。

Apr, 2024

提出了一种基于不确定性驱动的多尺度特征融合网络 (UMFFNet)，用于图像去雨，通过学习成对图像之间的概率映射分布来估计不确定性，并利用不确定性信息动态增强获取的特征并集中于由雨迹遮挡的模糊区域，从而减少预测误差，对抗资源受限设备上的大参数使用困难，并在多个尺度上进行特征融合以提高网络性能。丰富的实验表明，UMFFNet 在减少参数数量的同时取得了显著的性能提升，超过了现有的图像去雨方法。

Jul, 2023

本文提出了一种基于深度学习的残差引导特征融合网络 ResGuideNet，用于单幅图像去雨，通过级联网络和轻深度残差引导深层块来逐步预测高质量重建，并使用递归卷积构建每个块来实现监督，从而在石墨和真实数据上获得了更好的性能。

Apr, 2018

本研究提出了一种基于小波和暗通道的新型卷积神经网络，可以更好地分离出雨滴和背景，通过暗通道作为特征图，间接实现了雾霾的去除。实验结果表明，该方法在模拟和实际数据集上均优于其他现有技术。

Jan, 2018

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

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