rain12600数据集，里面包含rain图片和norain图片，用于图像去雨方向的数据集，无雨图片有900张，每张图片对应14张不同方向密度的有雨图片。

rain1400数据集，里面包含rain图片和norain图片，用于图像去雨方向的数据集，无雨图片有100张，每张对应14张不同密度方向的有雨图片

matlab代码加法DID-MDN 使用多流密集网络的密度感知单图像去雨 ， []（CVPR'18） 我们提出了一种新颖的基于密度感知的多流密集连接的卷积神经网络算法，称为DID-MDN，用于联合降雨密度估计和除雨。 所提出的方法使网络本身能够自动确定雨量密度信息，然后有效地去除由估计的雨量密度标签指导的相应雨斑。 为了更好地表征具有不同尺度和形状的雨条纹，提出了一种多流密集连接的排水网络，该网络可有效利用不同尺度的特征。 此外，将创建一个新的数据集，其中包含带有雨水密度标签的图像，并将其用于训练建议的密度感知网络。 @inproceedings{derain_zhang_2018, title={Density-aware Single Image De-raining using a Multi-stream Dense Network}, author={Zhang, He and Patel, Vishal M}, booktitle={CVPR}, year={2018} } 先决条件： Linux Python 2或3 CPU或NVIDIA GPU + CUDA CuD

使用条件生成对抗网络进行图像去雨 [] [] 何章，Vishwanath Sindagi，Vishal M.Patel 在本文中，我们研究了解决单图像去水印问题的新观点。 我们不仅要确保决定什么是实现良好的定量和定性性能的良好先验或良好框架，还应确保排水良好的图像不会降低给定计算机视觉算法（如检测和分类）的性能。 换句话说，消除雨水的结果应该与其对应的清晰图像与给定的鉴别器没有区别。 通过使用最近引入的条件生成对抗网络（GAN），可以将该标准直接合并到优化框架中。 为了最大程度地减少GAN引入的伪像并确保更好的视觉质量，引入了新的精确损失函数。 @article{zhang2017image, title={Image De-raining Using a Conditional Generative Adversarial Network}, author={Zhan

Rain800数据集原本是拼接的两幅图在一起，不方便同时训练多个数据集的方式，因此对其进行了分割重组以方便使用。

雨雾天气严重影响了户外拍摄图像质量,针对图像去雾存在的边缘伪影问题,提出了一种基于流形粒子滤波的去雾新方法,通过优化大气透射率,获得精确的透射率,解决了景深边缘伪影问题;针对去雨雾存在雨痕和不清晰问题,提出了一种优化注意生成对抗网络的去雨雾方法,通过将高斯模型与生成对抗网络相结合,去除背景干扰,提高了背景层与雨线分离的准确性,同时在生成对抗网络中加入流形粒子滤波去雾模块,恢复出清晰无雨雾图。采用自然场景雨雾天图像进行测试,并进行定性定量分析比较。实验结果表明,与现存去雨算法相比,所提算法能较好地去除图像中的雨线,且细节特征更加丰富,同时去雾模块的加入显著提高了图像清晰度,客观指标也得到了提升。

多阶段渐进式图像恢复网络 MPRNet 的训练数据集，包括 13711 对有雨无雨图，论文链接 https://arxiv.org/abs/2102.02808，原数据集在谷歌云盘不便下载。

图像恢复网络 MPRNet 去雨测试数据集 Test2800。

图像恢复网络 MPRNet 去雨测试数据集 Test1200。

MPRNet 去雨使用的测试数据集包括Rain100H，Rain100L，Test100。