- 多尺度双通道变换器用于高质量图像去雨
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。
- 通向通用快速视频去雨的知识蒸馏
通过知识蒸馏，我们提出了一种基于 Rain Review 的通用视频除雨网络（称为 RRGNet），它可以处理不同的雨线类型，并具备最佳的运行速度和除雨效果。
- CVPR针对对抗攻击的鲁棒性降雨去除：一个全面的基准分析及其发展
本文针对强降雨情况下图像和视频的降雨除去问题进行了深入研究，发现深度学习技术的降雨去除方法更容易受到针对性的对抗攻击，因此本文综合比较了不同深度学习算法在人类感知和机器分析任务下的降雨去除效果及其对于对抗攻击的鲁棒性。除此之外，本文还结合审 - MM无监督图像去雨：基于优化模型驱动的深度卷积神经网络
提出了一种统一的无监督学习框架，结合了模型驱动的无监督优化方法和深度卷积神经网络，并利用该框架在只有少量真实雨天图像的情况下完成无监督训练和达到好的实现泛化和表征，从而实现对单幅图像中的雨痕进行有效去除。
- CVPR双对比学习的非配对深度图像去雨
本文提出了一种探索非配对样本的双重对比学习方式，在深度特征空间中了解非配对样本的共同属性，开发出有效的无配对单影像去雨敌对框架称为 DCD-GAN。它包括双向翻译分支 (BTB) 和对比指导分支 (CGB)，通过计算机实验表明，与现有的无配 - CVPR通过解耦图像转换的联合降雨生成和去除闭环
本研究探讨深度学习图像去雨方法存在的问题，并提出了一种基于解耦图像转换的雨生成和去除方法，在合成和真实环境的数据集上进行实验并获得了更好的结果。
- MMDCSFN：用于单幅图像去雨的深度跨尺度融合网络
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 - 一种基于模型驱动的深度神经网络用于单图像雨水去除
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。
- 主客观去雨质量评估：面向真实雨图像
本文提出了一种双向特征嵌入网络，用于非均匀伪影下的去雨图像质量评估，实验结果表明，该方法明显优于现有的普适盲图像质量评估模型，为寻找视觉上首选的去雨算法提供了帮助，并公开发布了所创建的去雨质量评估数据库和 B-FEN 源代码。
- 视频与单张图像中雨水去除调查
本研究对当前针对视频和单张图片的雨滴去除方法进行了全面综述和评估，包括模型驱动方法和数据驱动方法，并推出了相关工具库，以便进行表现比较和性能评价。
- 一种基于 CNN 框架的雨水去除视频内容的鲁棒对准与补偿方法
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。
- 单图深度联合去雨霾技术
本研究提出了一种基于小波和暗通道的新型卷积神经网络，可以更好地分离出雨滴和背景，通过暗通道作为特征图，间接实现了雾霾的去除。实验结果表明，该方法在模拟和实际数据集上均优于其他现有技术。
- CVPR使用尺度感知多阶段循环网络进行单张图像去雨处理
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。
- CVPR单幅图像深度联合雨滴检测与去除
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。
- 清空天空：针对单幅图像雨水去除的深度网络架构
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。