我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过SFEBlock和FFEBlock在空间和频率域中整合信息，并引入了AFM进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了实验证明，超越了现有的最先进去雨方法，具有鲁棒性和视觉效果。

规模化预训练视觉模型（PVMs）在下游视觉任务中表现出很大的适应性。研究人员正在探索参数高效的微调（PEFT），以超越完全微调的性能。本调查提供了对视觉PEFT的综合概述和未来方向，对最新进展进行了回顾。

我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过SFEBlock和FFEBlock在空间和频率域中整合信息，并引入了AFM进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了实验证明，超越了现有的最先进去雨方法，具有鲁棒性和视觉效果。

规模化预训练视觉模型（PVMs）在下游视觉任务中表现出很大的适应性。研究人员正在探索参数高效的微调（PEFT），以超越完全微调的性能。本调查提供了对视觉PEFT的综合概述和未来方向，对最新进展进行了回顾。

规模化预训练视觉模型（PVMs）在下游视觉任务中表现出很大的适应性。研究人员正在探索参数高效的微调（PEFT），以超越完全微调的性能。本调查提供了对视觉PEFT的综合概述和未来方向，对最新进展进行了回顾。方法分为基于添加的、基于部分的和基于统一的。介绍了常用的数据集和应用，并提出了未来研究的潜在挑战。

我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过SFEBlock和FFEBlock在空间和频率域中整合信息，并引入了AFM进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了实验证明，超越了现有的最先进去雨方法，具有鲁棒性和视觉效果。

我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过SFEBlock和FFEBlock在空间和频率域中整合信息，并引入了AFM进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了实验证明，超越了现有的最先进去雨方法，具有鲁棒性和视觉效果。

规模化预训练视觉模型（PVMs）在下游视觉任务中表现出很大的适应性。研究人员正在探索参数高效的微调（PEFT），以超越完全微调的性能。本调查提供了对视觉PEFT的综合概述和未来方向，对最新进展进行了回顾。

我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过SFEBlock和FFEBlock在空间和频率域中整合信息，并引入了AFM进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了实验证明，超越了现有的最先进去雨方法，具有鲁棒性和视觉效果。