随着时代的发展,作为第四次科技革命核心地位的人工智能关键技术领域之一,计算机视觉引起了广泛的关注。如今,各类计算机视觉算法取得了成功的应用,例如物体识别和检测、语义分割、目标运动跟踪、视觉问答等。这些算法被广泛地应用在军事、交通等领域。然而,作为常见的恶劣天气之一,下雨天采集的户外照片或视频质量常常因雨的遮挡而损质,从而造成后续以视频或图像作为输入的计算机视觉算法处理性能的下降。作为预处理过程之一,去雨是个具有挑战性的问题,且在实际生活中有着极为广泛的应用。根据输入对象的不同,去雨问题分为视频去雨和单幅图像去雨,本文针对后者进行研究。传统的单幅图像去雨算法主要基于图像分解模型,这一类算法忽略了图像的低频分量,在字典训练之后难以将有雨原子和无雨原子区分开,导致重建的去雨结果或者含有许多残留雨线或者过于模糊。随着深度学习的发展,神经网络在图像处理各个应用领域里表现出优异的性能,基于深度学习神经网络的方法在去雨效果上有所改善。但由于图像中的雨线通常具有不同的大小、方向,并且常常会重叠在一起,组成相对复杂,造成所训练的模型往往不能区分图像中的大雨和小雨,且容易忽略和恢复图像中的纹理细节,从而进一步导致过度去雨、去雨不足、和背景信息丢失等问题。不同于现有的直接在输入原始分辨率图像上进行去雨,本文提出了一种基于残差多尺度模型的单幅图像去雨算法。首先,将输入的带雨图像进行降采样到不同分辨率,这一操作将使得原始分辩率中的大雨在低分辨率图像中自动变小,小雨自动去除。其次,从最低分辨率带雨图像开始进行逐级去雨。然后,将此低分辨率的去雨结果进行上采样,与下一较高分辨率的带雨图像计算残差图,并将此残差图与下一较高分辨率带雨图像共同输入下一阶段进行去雨。最后,依据降采样次数重复此过程,直到输出最终原始分辨率的去雨图像。在此方法的研究基础上,为了减少模型参数并提高训练效率,本文进一步设计了多尺度感受野选择网络,提出了基于多尺度感受野选择网络的图像去雨算法。通过引入多尺度自适应感受野,不仅使得模型更加轻量化,还进一步提高了去雨算法的性能。本文将提出的单幅图像去雨算法在人工合成数据集Rain12000^[17]、Rain14000^[10]、Rain H^[11]、Rain L^[11]、Rain800^[22]和自然数据集上进行了大量实验。在人工合成数据集上,实验结果表明本文方法提高了现有单幅图像去雨算法的性能。在自然数据集上,本文提出的方法生成的去雨图像在纹理和去雨上都有着更好的视觉效果。