本研究提出了一种新的期望最大化重建变换器（EMResformer），用于去除单幅图像中的雨 streak。通过引入局部模型残差块，该方法有效提取图像细节，提升去雨效果和图像重构质量，从而提高视觉测量系统的准确性和可靠性。

本研究提出了一种全能图像恢复网络，结合多种退化处理技术，通过学习神经退化表示和双向优化策略，实现高质量图像恢复。该方法在复杂退化场景中表现优越，适用于去雾、去雨和去模糊等多种图像退化去除任务。

本文介绍了一种无配对单影像去雨的对抗框架DCD-GAN，利用双重对比学习探索非配对样本的共同属性。实验结果表明，该方法在合成和真实数据集上表现优异，超越了现有的无配对去雨技术。

本文提出了一种多尺度 Transformer 方法，旨在提高雨天图像重建的质量和模型鲁棒性。通过双支路注意力融合网络和多尺度渐进融合网络，解决了多维图像特征融合问题。实验结果表明，该方法在多个基准数据集上表现优异，推动了图像去雨研究的新方向。

本文介绍了多种基于状态空间模型（SSM）的图像恢复方法，如VmambaIR和视觉状态空间模型（VMamba），在图像去雨和超分辨率等任务中表现优异，具有线性复杂度和全局感受野。此外，研究提出了高效的去雾网络UVM-Net，并探讨了SSM在自然语言处理和计算机视觉中的应用潜力，鼓励进一步研究。

本文介绍了多种图像恢复技术，如AdaptIR、DyNet、AMIRNet、LIR和PromptIR，这些方法通过高效的参数利用和创新的网络结构，在低参数预算下实现了优异性能。它们在图像去噪、去雨和去雾等任务上取得了最新成果，显著提高了图像质量和恢复效果。

本研究提出了一种结合数据驱动和模型的单幅图像去雨方法，利用CNN和注意机制实现高效去雨。通过改进Swin-transformer模型和设计三分支结构，构建了新的数据集Rain3000，实验结果表明在多个公开数据集上具有优越性能和快速推理速度。