（1）研究了基于可学习像素级滤波核预测网络，通过滤波方法进行图像/视频去雨。但不同于传统固定滤波核的滤波形式，本文方法的滤波核是由可学习的像素级滤波核预测网络输出得到的。通过全卷积神经网络以全监督的方式多尺度学习配对雨水图像信息，预测得到每个像素的专用滤波核，最后对图像进行滤波处理。
（2）研究了基于生成对抗学习模式的神经网络，在全局注意力机制和特征融合机制下以无监督的方式学习真实雨水图像和高质量清晰图像特征，并在去雨的同时提升图像效果，如调整图像对比度、饱和度、还原图像细节等。针对视频去雨，本文提出了像素空间帧间差异损失和特征空间帧间差异损失来约束模型实现视频去雨前后的时序一致性。
（3）研究了基于“自由变换、融合”的数据增广算法，尽可能地模拟真实降雨受到许多自然环境影响下的成像效果。最后和其他现存的雨水数据集比较，本算法生成雨水图像更加逼真，雨线效果丰富。
实验结果显示，本文方法对雨水环境下道路路标的目标检测算法性能有显著的提高作用，在去雨后目标检测的平均精准度（mAP）提高了11.3个百分点。与现存的去雨方法相比，本文方法在图像/视频视觉效果上有很大优势。最后通过消融对比实验，验证了无监督学习阶段和数据增强算法对整体模型的有效性。