RSFormer是一种高效有力的Transformer，专门用于消除受天气影响的图像中的雨迹和雪花，它通过将ConvNets和Vision Transformers在分层结构中的接近度结合起来，利用替代自注意力机制的Transformer-like卷积块 (TCB) 以适应输入内容，并提出了全局-本地自注意力采样机制 (GLASM)

Apr, 2023

本研究提出了一种基于Transformer的新型框架GridFormer，该框架采用网格结构和残差密集Transformer块，引入了增强的注意力机制和残差密集Transformer块，可在艰难的天气条件下实现图像修复，并在五种不同的图像修复任务下实现了最先进的结果。

May, 2023

本文提出了一种基于空间特征表示学习和语义信息嵌入的方法，通过CLIP等大规模预训练模型来提高图像恢复在各种噪声天气条件下的表现，并且实验结果表明该方法达到了最先进的性能水平。

Jun, 2023

MetaWeather是一种针对任意天气条件的少样本天气恢复方法，通过匹配新天气条件下输入图像和示例图像之间的特征，利用元学习构建元知识以提供灵活的适应性，并通过参数高效的微调方法来避免过拟合问题。在BID Task II.A数据集上的实验表明，与最先进的图像恢复方法相比，我们的方法在峰值信噪比和结构相似性方面取得了最佳性能。

Aug, 2023

提出了一种名为UtilityIR的基于退化类型和严重程度感知的模型，用于盲目进行全方位恶劣天气图像恢复，该方法在不同的天气恢复任务上，在客观和主观上都能明显超过其他方法，并拥有更少的模型参数。

Oct, 2023

介绍了一种名为DDCNet的新型逆风气象图像恢复方法，通过基于信道统计的特征级别对降解去除过程和内容重建过程进行分离，利用傅里叶变换在这两个过程中的独特优势，进而提高恶劣天气图像恢复的质量。

Dec, 2023

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

本研究解决了在恶劣天气条件下图像修复的挑战，指出以往方法在训练数据的依赖和上下文信息的利用不足。我们提出的AWRaCLe方法通过利用特定退化的视觉上下文信息，创新性地引导图像修复过程，实验证明该方法在全天气图像修复领域显著提升了性能。

Aug, 2024

本研究解决了现有单任务天气去除模型在复杂多变天气条件下的局限性，提出了一种新颖的多任务严重天气去除模型。该模型采用天气任务序列生成器和快速傅里叶卷积，显著提高了图像质量，尤其在自动驾驶场景中的应用潜力表现优异。

Sep, 2024

当前的图像恢复任务主要集中在单一天气场景，忽视了现实中多种天气条件的共存和混合。本文提出了一种新的任务序列生成器模块和基于直方图的变压器模块，以有效提取降级图像中的任务特定特征，从而在复杂天气下自动提升图像质量。我们的模型在公共数据集上达到了最先进的性能，具有显著的实际应用潜力。

Sep, 2024