Les traînées de pluie peuvent considérablement dégrader la visibilité, ce qui entraîne l'échec de nombreux algorithmes actuels de vision par ordinateur. Il est donc nécessaire d'éliminer la pluie des images. Nous proposons une nouvelle architecture de réseau profond basée sur les réseaux neuronaux convolutifs et récurrents pour le dépluie d'images uniques. Étant donné que les informations contextuelles sont très importantes pour l'élimination de la pluie, nous utilisons tout d'abord un réseau neuronal convolutif dilaté pour obtenir un grand champ récepteur. Pour mieux s'adapter à la tâche d'élimination de la pluie, nous modifions également le réseau. Dans une forte pluie, les traînées de pluie ont différentes directions et formes, ce qui peut être considéré comme l'accumulation de plusieurs couches de traînées de pluie. Nous attribuons différentes valeurs alpha à diverses couches de traînées de pluie en fonction de leur intensité et transparence en intégrant le bloc squeeze-and-excitation (squeeze-and-excitation). Comme les couches de traînées de pluie se chevauchent, il n'est pas facile d'éliminer la pluie en une seule étape. Nous décomposons donc l'élimination de la pluie en plusieurs étapes. Un réseau neuronal récurrent est intégré pour conserver les informations utiles des étapes précédentes et améliorer l'élimination de la pluie dans les étapes ultérieures. Nous menons des expériences approfondies sur des jeux de données synthétiques et réels. Notre méthode proposée surpassent les approches les plus avancées selon tous les critères d'évaluation. Les codes source et le matériel supplémentaire sont disponibles sur notre page web du projet : https://xialipku.github.io/RESCAN .