基于深度学习的图像去雨研究综述.docVIP

基于深度学习的图像去雨研究综述

一、图像去雨任务的核心挑战

自然场景下的降雨过程会在成像平面上形成复杂的视觉退化效应，这种退化并非简单的噪声叠加，而是受到雨滴物理属性、气象条件、拍摄参数等多维度因素的共同影响。从成像机理来看，降雨对图像的干扰主要分为三个层级：首先是雨滴本身的光学特性，单个雨滴的形状、大小、运动速度、折射率会导致其在图像中呈现为亮斑、条纹或半透明遮挡，直径在0.1mm至6mm之间的雨滴，在普通消费级相机1/60s的曝光时间下，会形成长度从几像素到几十像素不等的动态模糊条纹，且条纹方向与相机和雨滴的相对运动方向直接相关；其次是雨层的累积效应，中到大雨场景下，大量雨滴在空间中分布形成半透明雨幕，会导致整体图像对比度下降、颜色饱和度降低、远景细节模糊，类似均匀雾效但存在空间分布的不均匀性；最后是场景交互效应，雨滴撞击地面、建筑表面形成的水花、积水反射，以及雨滴附着在相机镜头上形成的光斑、污渍，会进一步引入非线性退化，传统图像恢复方法难以对这类复杂耦合效应建模。

传统图像去雨方法主要基于模型驱动的思路，典型包括基于高斯混合模型的Rainstreak建模、基于字典学习的稀疏表示方法、基于低秩分解的雨层分离框架等。这类方法通常对雨纹的形状、分布、稀疏性做先验假设，例如假设雨纹是方向一致的线性结构、雨层与背景层在变换域具有不同的稀疏性。但这类先验假设在真实复杂场景下往往失效