去除雨滴，去雾，去除噪声，去尘土和去模糊等都是这一类的，图像复原（低级图像处理/视觉任务）。

采用生成对抗网络和感知损失进行这类研究，也已经很多很多。

以下是一些工作，但是未必采用GAN去做。

1、Density-aware Single Image De-raining using a Multi-stream Dense Network CVPR2018

有感知/特征损失，[paper]、[testing code]

密度感知多路密集网络DID-MDN，联合完成雨点密度估计和雨点去除。

                                                                                 图 一

效果非常好，速度也是非常快，应该是目前最好的模型。算法中的预训练，然后联合训练，估计是很tricky的。

2、Attentive Generative Adversarial Network for Raindrop Removal from a Single Image CVPR2018

[paper]

                                                                                        图 二

该模型基于pix2pix，增加了attention-recurrent network，效果上比eigen2013的论文（第一个使用DL解决该问题的工作）好，也比pix2pix好。

但是给论文没有和其他算法比。

3、Densely Connected Pyramid Dehazing Network CVPR2018

去雾，有感知损失，[paper]、[code]

                                                                                         图 三

使用黄色网络估计transmission，利用蓝色网络估计atmospheric light，然后利用公司，计算得到去雾图像。

论文中总损失有4个子损失，训练非常tricky。。。

4、Deep Joint Rain Detection and Removal from a Single Image CVPR2017

[paper]、[code]

比1差。

5、Image De-raining Using a Conditional Generative Adversarial Network 2017

类似pix2pix，[paper]、[code]

1中作者的以前工作，类似pix2pix。

6、Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal TIP2017

[paper]

7、Removing rain from single images via a deep detail network CVPR2017

[paper]

8、Rain Streak Removal Using Layer Priors CVPR2016

[paper]

Single Image Rain Streak Decomposition Using Layer Priors TIP2017

[paper]

9、Perceptual Adversarial Networks for Image-to-Image Transformation 2017

类似pix2pix，有感知损失，[paper]

 

                                                                                    图 四

 小结：

以上工作的可迁移性包括：去除眼镜

去除栅栏