随着深度网络去雨性能的提升，其结构和学习方法变得越来越复杂和多样化，这使得在开发新的去雨网络时分析各种网络模块的贡献变得更加困难。为了解决这一问题，本文通过考虑网络架构、输入和输出以及损失函数，提供了一个更好且更简单的基线去雨网络。具体而言，通过反复展开一个浅层ResNet（残差网络），提出了渐进式ResNet（PRN）以利用递归计算的优势。进一步引入了循环层来挖掘不同阶段深层特征之间的依赖关系，形成了我们的渐进式循环网络（PReNet）。此外，可以在PRN和PReNet中采用ResNet的阶段内递归计算，从而显著减少网络参数，同时在去雨性能上仅有轻微下降。对于网络的输入和输出，我们将每个ResNet的阶段结果和原始有雨图像作为输入，并最终输出{残差图像}的预测。至于损失函数，单个均方误差（MSE）或负结构相似性指数（SSIM）损失足以训练PRN和PReNet。实验表明，PRN和PReNet在合成有雨图像和真实有雨图像上的表现都非常出色。鉴于其简单性、高效性和有效性，我们期望这些模型能够在未来的去雨研究中作为合适的基线模型。源代码可在https://github.com/csdwren/PReNet获取。