摘要
单图像去雨是计算机视觉中的一个典型逆问题。深度学习技术已被证明在这一任务中非常有效，并且达到了最先进的性能。然而，先前的深度学习方法需要预先收集大量带有/不带合成雨的图像对用于训练，这往往导致神经网络偏向于学习合成雨的具体模式，而对真实测试样本中的不同类型的雨则泛化能力较差。为了解决这一问题，本文首次提出了一种半监督学习范式。不同于传统的仅使用带有/不带合成雨的监督图像对的深度学习方法，我们进一步将真实的有雨图像（无需对应的干净图像）纳入网络训练过程。这是通过精心设计输入有雨图像与其预期网络输出（无雨清晰图像）之间的残差作为特定参数化的雨纹分布来实现的。因此，网络通过从监督合成雨向真实未监督多样雨型的迁移训练，以适应真实场景中的各种类型雨水，从而显著缓解了训练样本不足和偏向于监督样本的问题。在合成数据和真实数据上的实验验证了我们的模型相较于现有最先进方法的优势。