通向通用快速视频去雨的知识蒸馏
本文提出了一种新的半监督视频去雨方法，其中采用动态雨生成器来适应雨层，以更好地描绘其深刻的特征。该方法具有良好的性能，并可同时编码雨渍的物理结构和时间连续性变化，通过设计不同的先验格式，充分利用标记合成和未标记真实数据之间的共同知识，使用蒙特卡罗 EM 算法进行求解。
Mar, 2021
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
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
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
本文提出了一种基于 split augmented Lagrangian shrinkage 算法的视频雨点去除方法 FastDeRain，在梯度域中充分考虑了雨点的鉴别特征和清晰视频，并通过三种不同的范数来最小化雨点的稀疏性、空间平滑性和时间连续性，在合成和真实数据上的实验表明该方法的有效性和高效性。
Mar, 2018
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
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
本文介绍了一种基于模型的深度神经网络，使用具有解释性和恰当的物理结构的数据结构，以实现单图像去雨任务的最先进性能，并通过端对端培训，自动提取所有雨滴核和接近算子，特别是在实际情况下具有更好的去雨性能。
May, 2020