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

此文介绍了一种基于多尺度协作表示法的单图像除雨方法，利用尺度空间和分层深度特征构建多尺度渐进融合网络，采用循环计算来捕捉全局纹理信息，引入注意力机制实现对不同尺度信息的精细融合，从而提高了模型的训练效率，在多个基准数据集上达到了最先进的除雨结果，启发了视觉任务驱动图像除雨的新研究方向。

Mar, 2020

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

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

本文主要介绍了一种有效的端到端神经网络结构的实现方法，并提出了一种非局部增强的编码 - 解码网络框架，以更高效学习不断抽象的特征表示，同时极大地保留图像细节。新网络框架组成了一系列非局部增强的密集块，旨在充分利用所有卷积层的分层特征，以及捕捉远距离的依赖关系和结构信息。实验表明，该方法在不同密度的雨天图像上可以有效地去除雨痕，并保留图像细节，优于最新的现有方法。

Aug, 2018

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

本文提出了一种基于深度学习架构，通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题，并通过使用二进制雨斑图和重复的雨检测实现更好的效果。

Sep, 2016

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

为了有效地探索雨纹的多尺度表示，我们提出了一种端到端的多尺度 Transformer，利用各种尺度上的潜在有用特征来促进高质量的图像重建，并结合空间变化的雨纹的内部尺度隐式神经表示，在复杂场景中提高模型的鲁棒性；通过粗到细和细到粗的信息传递，嵌入一种简单而有效的尺度间双向反馈操作，以确保更丰富的协同表示；广泛的实验证明，我们的方法 NeRD-Rain 在合成和实际世界基准数据集上表现优异。

Apr, 2024

本研究提出了一种基于深度卷积和循环神经网络的新型深度网络架构，用于单幅图像去雨。实验表明，在多个评估指标下，该方法优于现有的技术。

Jul, 2018