混合卷积神经网络 - Transformer 结构上使用频域对比学习进行图像去雨
本研究提出了一种基于数据驱动和基于模型相结合的单幅图像去雨方法，通过使用 CNN，高频信息提取，特征转换，和使用注意机制的神经网络，实现了优异的效果。
May, 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
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
通过引入 Gabor 滤波器，利用 Gabor 引导转换器（Gabformer）来增强局部纹理特征的聚焦，改善模型对噪声的鲁棒性，并在基准测试中表现优于最先进的方法。
Mar, 2024
该研究提出了一种全方位图像恢复方法，通过从频率角度出发，利用先进的视觉变换器来处理多种类型的退化，以提取图像的退化表示并引导模型适应性地恢复退化的图像。实验证明，该方法在去噪、去雨、去雾和去模糊等四个典型恢复任务中优于现有方法，并且能够处理空间变异的退化和未知退化水平。
Jun, 2024
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
提出了一种新的降雨去除方法，通过替换低质量特征的潜在高质量特征和引入闭环反馈精神解决模型误差和特征嵌入问题，实验结果表明该方法在基准数据集和真实数据集上优于现有的最新方法。
Jan, 2021
本文提出了一种基于非局部对比度学习的无监督图像去雨方法，不仅利用样本内部的自相似性，而且考虑两个图层之间的互斥关系，使得降雨层与干净图像层的差异更大。该方法在不同真实多雨数据集上的实验表明，能够获得最先进的真实降雨效果。
Mar, 2022
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
该研究引入了状态空间模型（SSM）到雨滴去除中，并提出了一种去除雨滴方法，名为 Deraining Frequency-Enhanced State Space Model（DFSSM）。在该方法中，我们使用了频域处理方法和 SSM 来有效去除产生高强度频率成分的雨滴痕迹，并开发了一种新颖的混合尺度门控卷积块来捕捉不同尺度的退化并控制信息流的传递。最后，实验结果表明，我们的方法胜过现有的最新方法。
May, 2024