本研究提出了一种改进在有附着雨滴和条纹影响的图像分割任务的方法，通过引入新颖的立体数据集并以此进行噪声降低生成器的训练，最终有效去除真实的水滴所产生的影响，并在道路标记分割和语义分割等任务中展现出显著的提高。
Jan, 2019
本研究提出一种基于视频的贴附式雨滴去除方法，分为单图像模块和多帧模块两个阶段，前者使用雨滴去除网络生成初步结果，后者根据多帧输入和输出之间的时空关系进行进一步优化，采用非监督学习方法进行贴附式雨滴去除。
May, 2022
本文提出了一种基于生成对抗网络和视觉注意力机制的雨滴去除方法，成功地将雨滴污染的图像还原为干净图像，并取得了比同类方法更好的定量和定性效果。
Nov, 2017
Dehazing-NeRF 是一种无监督方法，通过联合学习大气散射模型和清晰的 Neural Radiance Field 模型，解决拍摄模糊场景时大气散射对图像重建的影响，同时改善信息丢失造成的图像质量降低，具有更好的图像去雾和新视角合成效果。
Apr, 2023
本文提出了一种名为 OR-NeRF 的新型对象移除流水线，它可以在单个视图上通过点或文本提示从 3D 场景中移除对象，并在更短的时间内实现更好的性能。
May, 2023
RainyScape 是一个无监督的框架，能够从多角度的雨天图像集合中重建干净的场景。该框架包含两个主要模块：神经渲染模块和雨预测模块，通过学习可捕捉场景雨水特征的预测网络和可学习的潜在嵌入，在优化神经渲染管道以获得低频场景表示后，使用自适应的方向敏感梯度重建损失来联合优化这两个模块，从而消除雨水痕迹并生成干净的图像，实验表明该方法在消除雨水痕迹和渲染干净图像方面具有卓越表现，达到了最先进的水平。
Apr, 2024
通过将场景分解为深度一致的单位，并在 SP 级别对场景内容进行对齐处理，本文提出了一种新的去雨算法，该算法采用卷积神经网络将排序空间 - 时间匹配张量和一致的时间匹配张量准备用作输入特征，从而为中间去雨输出恢复高频细节。
Mar, 2018
该研究提出了一种新的数据集和评估程序，利用 3D 扩散方法和基于密度的分数蒸馏采样损失来避免 NeRF 优化过程中的呈现伪像和错误几何图形问题。使用这种数据驱动的先验方法可以去除浮动物并改善场景几何结构。
我们提出了一种名为 MDeRainNet 的高效网络，用于去除光场图像中的雨线，该网络采用多尺度编码器 - 解码器架构，在 Macro-pixel 图像上直接进行操作以提高雨线去除性能，并且借助 Extended Spatial-Angular Interaction (ESAI) 模块来完全建模空间和角度信息之间的全局相关性，并引入半监督学习框架以改善网络在现实场景中的泛化性能。经过对合成和真实光场图像的广泛实验证明，我们的方法在定量和定性上均优于现有方法。
Jun, 2024
描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。
Nov, 2020