单幅图像去雨作为计算机视觉领域的基本问题之一,其目的是从单幅雨图中去除雨线并得到干净清晰的背景图像。传统的去雨算法虽能去除一定雨线,但计算过程复杂,去雨后的图像存在颜色失真、细节信息丢失等问题。近年来兴起的深度学习算法凭借其强大的特征提取能力在图像去雨领域得到广泛应用。为提升单幅图像的去雨效果,该文基于深度学习算法对单幅图像去雨问题进行研究,相关内容如下:首先,提出基于多尺度特征学习的递归单幅图像去雨算法。该方法引入多尺度特征学习模块,并联合长短期记忆（Long Short-Term Memory,LSTM）模块、卷积注意力模块（Convolutional Block Attention Module,CBAM）组成一个基本模块,通过反复展开该基本块进行递归运算,逐渐去除雨线,最终达到图像去雨目的。实验结果表明,该算法不仅可以有效地去除雨线,还可以较完整的保留图像背景的颜色信息和细节信息。其次,提出一个由注意力引导的单幅图像去雨算法。该算法利用注意力模块提取的特征图来引导网络的特征学习,并引入一个多尺度模块以有效地结合不同尺度上的特征,增强网络信息提取能力。此外,为使去雨效果进一步提高,额外引入了两个共享源残差模块。实验结果表明,该算法在有效去雨的同时较好的保留了背景内容信息,并且得到的去雨结果色彩自然,具有较佳的视觉效果。最后,提出一个基于单幅图像的快速去雨方法。该方法利用卷积层和扩张卷积层搭建了一个基本块,扩张卷积的应用可以有效增大感受野,使提取到的特征图包含更多信息。然后加入注意力机制,使网络进一步提取有用信息,提高网络的去雨性能。实验结果表明,该方法不仅在速度上有优势,对于合成雨图和真实雨图都有较好的去雨效果。