本文共 1552 字，大约阅读时间需要 5 分钟。
去雨、去雾、去模糊是图像处理领域的重要研究方向，这些任务的共同特点是现有技术难以真实模拟相关环境（如雨、雾、模糊），导致算法训练中使用的合成数据与真实图像存在差异。这使得该领域普遍出现实验效果显著但实际应用效果不佳的情况。
CVPR 2020去雨方向共有4篇论文，主要聚焦于解决实际应用中算法效果不足的问题。以下是部分代表性工作：
基于高斯过程的半监督学习框架
该方法通过结合合成数据集和未标注真实图像，提升网络的泛化能力。多尺度渐进融合网络
该网络采用多尺度结构，专为去雨设计，能够有效恢复丢失的细节信息。细节恢复网络
该方法通过上下文聚合网络，有效恢复去雨图像中的细节信息。去雾任务在CVPR 2020中共有3篇论文，主要研究如何解决现有方法在真实数据集上表现不足的问题。以下是重点工作：
多尺度增强去雾网络
该网络结合密集特征融合和多尺度结构，显著提升去雾效果。领域适应去雾
该方法通过领域适应技术，解决去雾模型在真实数据集上性能不佳的问题。双目图像去雾
该方法利用双目传输模块，结合深度信息，显著提升去雾效果。去模糊任务在CVPR 2020中共有8篇论文，研究范围涵盖传统去模糊、视频去模糊、运动去模糊等多个方向。以下是部分代表性工作：
基于GAN的双重学习框架
该框架通过学习模糊和去模糊的GAN模型，显著提升去模糊效果。视频去模糊
该方法利用时间锐度先验，提出了层级化深度视频去模糊网络。运动去模糊
该方法结合光流引导训练，提出了空间变异反卷积网络。一篇论文提出了一种综合去雨、去雾、去雪的统一框架，通过架构搜索优化模型性能。
实验部分主要采用有雾图像对经典去雾算法（如MSCNN、DehazeNet、暗通道先验算法）的性能进行对比。部分模型训练参数较大（如250多MB），但效果不一定满足预期。
转载地址：http://icuk.baihongyu.com/