Deep Single Image Deraining Via Estimating Transmission and Atmospheric Light in rainy Scenes
University of Electronic Science and Technology of China（电子科技大学）；The University of Adelaide（阿德莱德大学）；Shanghai Jiao Tong University（上海交通大学）；Beijing Jiao Tong University（北京交通大学）
Rain removal in images/videos is still an important task in computer vision field and attracting attentions of more and more people. Traditional methods always utilize some incomplete priors or filters (e.g. guided filter) to remove rain effect. Deep learning gives more probabilities to better solve this task. However, they remove rain either by evaluating background from rainy image directly or learning a rain residual first then subtracting the residual to obtain a clear background. No other models are used in deep learning based de-raining methods to remove rain and obtain other information about rainy scenes. In this paper, we utilize an extensively-used image degradation model which is derived from atmospheric scattering principles to model the formation of rainy images and try to learn the transmission, atmospheric light in rainy scenes and remove rain further. To reach this goal, we propose a robust evaluation method of global atmospheric light in a rainy scene. Instead of using the estimated atmospheric light directly to learn a network to calculate transmission, we utilize it as ground truth and design a simple but novel triangle-shaped network structure to learn atmospheric light for every rainy image, then fine-tune the network to obtain a better estimation of atmospheric light during the training of transmission network. Furthermore, more efficient ShuffleNet Units are utilized in transmission network to learn transmission map and the de-raining image is then obtained by the image degradation model. By subjective and objective comparisons, our method outperforms the selected state-of-the-art works.
Detail-recovery Image Deraining via Dual Sample-augmented Contrastive Learning
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Nanyang Technological University（南洋理工大学）；The Hong Kong Polytechnic University（香港理工大学）；Ryerson University（瑞尔森大学）；Hefei University of Technology（合肥工业大学）
Unpaired Photo-realistic Image Deraining with Energy-informed Diffusion Model
School of Information Engineering, Chang’an University（长安大学信息工程学院）；School of Data Science and Artificial Intelligence, Chang’an University（长安大学数据科学与人工智能学院）
由于难以收集成对的真实世界训练数据，图像去同步目前由监督学习主导，其中合成数据由例如，Photoshop渲染。然而，由于合成数据和真实世界数据之间的差距，对真实下雨场景的推广通常是有限的。本文首先从统计学的角度分析了有监督的降维模型不能很好地推广到实际降雨情况的原因，并发现了人工降雨数据与实际降雨数据的本质差异。受我们研究的启发，我们建议通过学习其他连接任务的有利的deraining表示来去除雨水。在连接任务中，可以很容易地获得真实数据的标签。因此，我们的核心思想是通过任务转移从真实数据中学习表示，以提高去泛化能力。因此，我们将我们的学习策略称为\textit{task transfer learning}。如果有多个连接的任务，我们建议减少模型的大小知识蒸馏。连接任务的预训练模型被视为教师，他们所有的知识都被提取到学生网络中，这样我们就减少了模型的大小，同时保留了所有连接任务的有效先验表示。最后，用少量成对的合成降雨数据对学生网络进行微调，以指导预训练的先验表示去除降雨。大量的实验表明，所提出的任务迁移学习策略是令人惊讶的成功，并与最先进的监督学习方法相比，明显优于其他半监督去训练方法对合成数据。特别是，它表现出优越的泛化能力，他们对现实世界的场景。
Beyond Monocular Deraining: Parallel Stereo Deraining Network Via Semantic Prior
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Inception Institute of Artificial Intelligence（启元人工智能研究院）；Meituan Group（美团集团）；Australian National University（澳大利亚国立大学）；Tencent（腾讯）；Beijing Institute of Technology（北京理工大学）
Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区计算机科学与技术学院）；MoE Key Laboratory of Information Technology（教育部信息科技重点实验室）；Guangdong Provincial Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室）；Key Laboratory of Educational Information for Nationalities, Yunnan Normal University（民族教育信息重点实验室，云南师范大学）；School of Mechanical Engineering and Automation, Fuzhou University（福州大学机械工程与自动化学院）
Semi-DerainGAN: A New Semi-supervised Single Image Deraining Network
Hefei University of Technology（合肥工业大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Donghua University（东华大学）；City University of Hong Kong（香港城市大学）；Zhengzhou University（郑州大学）
RainDancer: RGB-Event Video Deraining with Rain-Oriented Spiking Dynamics
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；School of Computer Science and Technology, Harbin University of Science and Technology（哈尔滨理工大学计算机科学与技术学院）
Joint Self-Attention and Scale-Aggregation for Self-Calibrated Deraining Network
Dalian University of Technology（大连理工大学）；Key Laboratory for Computational Mathematics and Data Intelligence of Liaoning Province（辽宁省计算数学与数据智能重点实验室）；University of Macau（澳门大学）
PRE-Mamba: A 4D State Space Model for Ultra-High-Frequent Event Camera Deraining
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Harbin Institute of Technology（哈尔滨工业大学）；Carnegie Mellon University（卡内基梅隆大学）；Pengcheng Laboratory（鹏城实验室）
Semi-Supervised Video Deraining with Dynamical Rain Generator
The Macau University of Science and Technology（澳门科技大学）
虽然基于深度学习（DL）的视频去盲方法最近取得了显著的成功，但它们仍然存在两个主要缺点。首先，他们中的大多数没有充分的模型下雨的视频的雨层的特性。事实上，雨水层表现出很强的物理性质（例如，方向、尺度和厚度）和时间维度上的自然连续性，因此通常可以通过统计学中的时空过程来建模。其次，现有的基于DL的方法严重依赖于标记的合成训练数据，其雨型往往偏离未标记的真实数据。合成数据集和真实数据集之间的这种差距导致在实际场景中应用它们时性能不佳。针对这些问题，本文提出了一种新的半监督视频去噪方法，在该方法中，采用动态降雨发生器拟合降雨层，以期更好地刻画降雨层的内在特征。具体地说，这种动态生成器由一个发射模型和一个过渡模型，同时编码的空间物理结构和时间连续变化的雨条纹，分别，这两者都是参数化的深度神经网络（DNN）。此外，为标记的合成数据和未标记的真实数据设计了不同的先验格式，以充分利用它们背后的共同知识。最后，我们还设计了一个Monte Carlo EM算法来求解这个模型。通过大量的实验验证了所提出的半监督去盲模型的优越性。
Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Science and Technology of China（中国科学技术大学）
