原创文章，转载、引用请注明出处！
Clearing the Skies: A deep network architecture for single-image rain removal
晴空万里：一种用于单图像雨水去除的深层网络结构
该论文第一次将深度卷积神经网络CNN用于单幅图像去雨，同时在细节层而不是在图像域训练网络。
之前的方法仅通过低层特性将雨纹从对象细节中分离出来。当物体的结构和方向与雨纹相似时，这些方法很难同时去除雨纹和保存结构信息。另一方面，人类可以利用上下文信息等高级功能，轻松地在一张图像中分辨出雨纹。因此，提出了一种基于深度CNN网络的去雨方法。称为DerainNet。
DerainNet结构
首先将输入的含雨图像分离成高频细节层及低频的base 层，将高频细节层作为输入，使用CNN进行特征的提取，得到去雨后的细节层，然后分别对base层及去雨后的细节层进行图像增强，然后相加得到输出图像。
目标函数
卷积神经网络
图像增强
其他
贡献
DerainNet直接自动从数据中学习了干净层和雨的细节层(即，高分辨率层)之间的非线性映射函数，同时进行了去雨和图像增强来改善视觉效果。
使用图像处理领域的知识来修正目标函数，提高去雨质量，而不是使用增加神经元或叠加隐藏层等常用策略来有效地逼近期望的映射函数。
数据
350张室外清晰图片，（UCID、BSD、Google），使用Photoshop生成训练数据集。添加14种不同方向和强度的雨纹。
数据及代码是否开源
未提及。
Uncertainty Guided Multi-Scale Residual Learning-using a Cycle Spinning CNN for Single Image De-Raining
基于循环旋转CNN的不确定性多尺度残差学习
CNN
https://blog.csdn.net/liangchunjiang/article/details/79030681