1.Density-aware Single Image De-raining using a Multi-stream Dense Network CVPR2018
有感知/特徵損失，[paper]、[testing code]
密度感知多路密集網絡DID-MDN，聯合完成雨點密度估計和雨點去除。
首先對輸入圖像的雨點程度（嚴重、中等、輕微）進行分類/估計，然後利用多路密集網絡和標註信息對輸入圖像進行去雨處理。
效果非常好，速度也是非常快，應該是目前最好的模型。算法中的預訓練，然後聯合訓練，估計是很tricky的。
2、Attentive Generative Adversarial Network for Raindrop Removal from a Single Image CVPR2018
[paper]
該模型基於pix2pix，增加了attention-recurrent network，效果上比eigen2013的論文（第一個使用DL解決該問題的工作）好，也比pix2pix好。但是給論文沒有和其他算法比。
3、Densely Connected Pyramid Dehazing Network CVPR2018
使用黃色網絡估計transmission，利用藍色網絡估計atmospheric light，然後利用公式，計算得到去霧圖像。論文中總損失有4個子損失，訓練非常tricky
4、Deep Joint Rain Detection and Removal from a Single Image CVPR2017
比1差。
其中B是原圖，O是帶雨的圖片，其他的量代表雨滴帶來的影響。S指疊加的雨滴的強度，R指含雨滴範圍的一個 binary mask，A對雨霧進行建模。之所以將S、R分別描述並分別用網絡預測，是爲了避免只回歸S影響了圖中不含雨滴的部分，R實際上描述了雨滴存在的區域，這也是標題中rain detection的含義。S、R預測的例子可見下圖。t指的是圖片中多個方向的雨疊加的效果，訓練所用的合成雨的圖片就是多次疊加的結果。最後A描述了一個圖像整體的偏移，這是由大雨中遠處大量雨滴疊加造成的類似霧的效果，實際算法中也用了去霧算法做處理。
在訓練時作者使用了多分支的dilated convolution網絡，以在節約計算量的同時擴大網絡的感受，也獲得更多的context信息。網絡級聯地預測S和R，在訓練時都提供loss，在測試時得到S、R後，按之前的模型進行去雨處理。在實際實驗中還發現採用去雨1次 – 去霧1次 – 再去雨1次的流程得到的結果是最好的。
此外在訓練數據和測試方法上都是沿用之前工作的方法。訓練數據都是使用不帶雨的圖片人工合成帶雨的圖片，並從圖中抽取patch進行訓練。在測試流程上，對於合成圖片，主要比較衡量圖片結構相似度的SSIM指標。對於真實環境的帶雨圖片，主要是視覺上的qualitative比較。
5、Image De-raining Using a Conditional Generative Adversarial Network 2017
1中作者的以前工作，類似pix2pix。
6、Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal TIP2017
[paper]
7、Removing rain from single images via a deep detail network CVPR2017
[paper]
對於雨滴模型的創新主要是提出了2點insights。
1、類似ResNet的思路，迴歸帶雨圖像與原圖的殘差，而不是直接輸出還原圖像。這樣一來可以使算法操作的圖像目標值域縮小，稀疏性增強。實際上這一點在超分辨率等很多問題中已經被廣泛應用。
2、使用頻域變換，分離圖像中的低頻部分和高頻部分，只對高頻部分做去雨操作。原因是雨滴基本只存在於高頻部分，分離後可以使得操作目標進一步稀疏化，實驗效果顯著優於不做這一操作的結果。
實現上作者使用了一個26層的ResNet，爲了保證輸出分辨率不變，去掉了所有的Pooling操作。實驗表明：與直接輸入帶雨圖像、輸出原圖相比，一個26層的ResNet效果已經與原始方法50層的ResNet效果相近，並顯著優於其他舊方法。這證明了兩個技巧的有效性。
8、Rain Streak Removal Using Layer Priors CVPR2016
[paper]
9.Single Image Rain Streak Decomposition Using Layer Priors TIP2017
10、Perceptual Adversarial Networks for Image-to-Image Transformation 2017
類似pix2pix，有感知損失，[paper]
11.Non-locally Enhanced Encoder-Decoder Network for Single Image De-raining（2018ACM）
深入研究了一種有效的端到端神經網絡結構，用於更強的特徵表達和空間相關學習。具體來說，我們提出了一種非局部增強的編碼器 - 解碼器網絡框架，它由嵌入式索引編碼器 - 解碼器網絡組成，有效地學習越來越抽象的特徵表示，以便更精確地進行雨條紋建模，同時完美地保留圖像細節。所提出的編碼器 - 解碼器框架由一系列非局部增強的密集塊組成，這些塊不僅可以完全利用來自所有卷積層的分層特徵，而且可以很好地捕獲長距離依賴性和結構信息。對合成和真實數據集的大量實驗表明，所提出的方法可以有效地去除各種密度的雨天圖像上的雨條紋，同時保留圖像細節，與最近的最新方法相比，實現了顯着的改進