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

图像去雨是一项具有挑战性的任务，涉及恢复受雨滴影响的退化图像。

Aug, 2023

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

我们提出了一种名为 Regformer 的新型 SID 方法，强调在高质量图像重建中独立处理受雨影响和不受影响区域以及考虑它们的联合影响的重要性，通过创新的 Region Transformer Block (RTB) 来实现。实验结果表明，该模型达到了最先进的性能，显著提高了图像去雨质量。

Feb, 2024

本论文提出了一种名为 Sparse Transformer (DRSformer) 的去雨神经网络，它可以自适应地保留最有用的自注意力值以更好地促进高质量图像重建，并发展了一种有效的混合尺度前馈网络来为图像去雨生成更好的特征。

Mar, 2023

本文提出了一种基于条件生成对抗网络的图像去雨算法 (ID-CGAN)，以优化细化的损失函数为优化框架，考虑了定量、定性和辨别性能，经过测试，该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。

Jan, 2017

该研究利用自监督限制所提出的无监督去雨生成对抗网络 (UD-GAN) 解决了单幅图像去雨中标注 - 监督约束缺失等问题并在多种基准测试集和不同训练设置下表现出卓越的去雨效果。

Nov, 2018

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

该论文综述了过去十年单张图像去雨的多种方法，分类总结了基于模型和基于数据驱动两种类型的方法，总结了雨的外观模型、性能比较和技术特点，并探讨了未来发展方向。

Dec, 2019

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