深度引导对抗学习驱动的混合雨水去除新范式：DEMore-Net

《Neural Networks》：Rethinking mixture of rain removal via depth-guided adversarial learning

针对混合雨水（MOR）去除难题，研究人员提出深度引导的联合学习框架DEMore-Net，整合深度估计与图像去雨任务，创新性引入混合归一化块（HNB）提升性能。实验表明其在合成与真实场景中均优于21种现有方法，为复杂雨水退化问题提供新解决方案。

　　

雨天拍摄的图像常因雨水颗粒、雨线及雨雾交织形成的混合雨水（Mixture of Rain, MOR）而严重退化，传统去雨方法仅能处理单一类型雨水，难以应对复杂场景。现有技术如MBA-RainGAN虽尝试解决多类型雨水，但忽视深度信息对雨水分布的指导作用。安徽高校团队在《Neural Networks》发表研究，提出DEMore-Net，首次将深度估计与去雨任务联合建模，通过深度图提供距离先验，针对性去除不同距离的雨水类型。

关键技术

1. 联合学习框架：同步训练深度估计分支与去雨分支，实现信息互补；
2. 混合归一化块（HNB）：结合实例归一化与批归一化，提升训练稳定性；
3. 自校准卷积：增强特征判别力，优化MOR去除效果；
4. 合成数据集验证：基于RainCityscapes++及真实雨水图像评估性能。

研究结果

1. 深度引导的MOR去除：实验证实深度图能有效区分近景雨滴与远景雨雾，使DEMore-Net在PSNR指标上提升2.1dB；
2. HNB的增效作用：消融实验显示HNB模块使训练收敛速度提升30%，且显著改善视觉质量；
3. 跨场景泛化性：在真实MOR照片中，DEMore-Net恢复的细节清晰度优于DAF-Net等现有模型。

结论与意义
DEMore-Net通过深度先验与联合学习机制，首次实现混合雨水的系统性去除，其创新性体现在：

1. 任务协同：深度估计与去雨相互促进，形成闭环优化；
2. 技术普适性：HNB模块可扩展至其他图像复原任务；
3. 应用价值：为自动驾驶、监控系统等依赖户外视觉的场景提供鲁棒解决方案。研究获国家自然科学基金（T2322012）等支持，代码已开源。