本研究提出了一种有效的雨水去除方法，即双路径多尺度转换器（DPMformer），通过利用丰富的多尺度信息来实现高质量图像重建。实验证明，与其他最先进的方法相比，我们的方法表现出色。

May, 2024

该研究提出了一个名为 DAiAM 的深度去雨网络，它包括两个 DAM，用于同时消除雨滴和雨 streak，DAiAM 通过两个关注映射，分别关注重雨区域和轻雨区域进行不同的导雨处理，同时还提出了一个 D-DAiAM 来解决一些难于处理的区域，并在实验中获得了最先进的效果。

Mar, 2021

本文提出了一种新的卷积神经网络，叫做 Wavelet 通道注意力模块与融合网络，通过利用小波变换和逆小波变换来恢复图像，结合通道注意力，取得了比现有方法更好的降雨噪声图像去噪效果。

Jul, 2020

本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

May, 2023

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

本文提出了一种用于处理多种雨模型任务的新型端到端神经元注意力阶段网络（NASNet），包括轻量级神经元注意力（NA）架构机制和阶段性统一模式网络架构，能够在处理复杂雨天图像时有效地提高图像质量。

Dec, 2019

本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络 (AFNet)。基于该 AFNet，在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数，在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数，取得了最先进的性能。

May, 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

我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过空间特征提取块（SFEBlock）和频率特征提取块（FFEBlock）在空间和频率域中整合信息，并引入了一种有效的自适应融合模块（AFM）来进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了大量实验证明，不仅超越了现有的最先进去雨方法，而且在下游视觉任务中具有出色的鲁棒性和视觉效果。

Feb, 2024

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