本文介绍了我们团队在 CVPR 2023 UG$^{2}$+ Track 3 GT-Rain Challenge 中的解决方案，提出了一种高效的两阶段框架，利用低秩视频去雨方法生成伪 GT，再加以改进，使用大规模真实雨数据集进行预训练并在伪 GT 上进行微调，最终采用全面的图像处理器模块，我们的整体框架设计精心并能够处理在测试阶段提供的重雨和雾气序列。在平均结构相似性 (SSIM) 上获得第一名，在平均峰值信噪比 (PSNR) 上获得第二名。

May, 2023

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

本研究探讨深度学习图像去雨方法存在的问题，并提出了一种基于解耦图像转换的雨生成和去除方法，在合成和真实环境的数据集上进行实验并获得了更好的结果。

Mar, 2021

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

为了克服缺乏大规模高质量配对训练样本对真实图像除雨（RID）过程的阻碍，本研究构建了包含 3000 个视频序列和 100 万帧高分辨率（1920*1080）图像配对数据的大规模高质量真实雨数据集（LHP-Rain）。该数据集的优势有三个方面：具有更高多样性和更大规模的雨，高分辨率和高质量的合成图像。此外，研究提出了一种新颖的鲁棒低秩张量恢复模型用于生成更好地分离静态背景和动态雨的基准数据，并设计了基于 Transformer 的简单单幅图像除雨算法，通过自注意力和跨层注意力实现图像和雨层的辨别特征表示。大量实验证明了所提出数据集和除雨方法在最新研究中的优越性。

Aug, 2023

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

提出了一种基于不确定性驱动排序的稀疏采样变换器，称为 UDR-S2Former，用于学习和建模全局图像退化关系，从而实现复杂雨天场景的统一去雨。与先前方法相比，UDR-S2Former 具有三个优点：可自适应地采样相关图像退化信息以建模底层退化关系；明确应用基于不确定性驱动的排序策略有助于网络关注退化特征并理解重建过程；实验结果表明，UDR-S2Former 在所有基准测试中明显优于现有方法。

Aug, 2023

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

本文提出了一种 Paired Rain Removal 网络（PRRNet），它在去除降雨图像上利用了语义信息和立体影像，并展示了其在单 ocular 和构建的立体降雨数据集上优于其他算法的性能。

May, 2021

通过构建一个基于生成对抗网络的多层级雨图生成模型，实现了在各种天气条件下测试视觉感知算法性能所需的数据生成，该模型能够生成不同强度的轻雨、中雨和大雨图像，并经过优化和调整来改善模式崩溃问题，相比于两个基准模型，测试数据集上 RCCycleGAN 的峰值信噪比 (PSNR) 提高了 2.58 dB 和 0.74 dB，结构相似性指数 (SSIM) 分别提高了 18% 和 8%，并进行了消融实验以验证模型调优的有效性。

Sep, 2023