تؤثر صور الأيام الممطرة على أداء ودقة مهام رؤية الكمبيوتر. غالبًا ما تحتوي صور الأيام الممطرة على قطرات المطر أو آثار المطر القادمة من اتجاهات وأحجام وأشكال مختلفة. عند إزالة هذه القطرات والآثار، لا تأخذ الطرق الحالية في الاعتبار معلومات الميزات على مستويات مقياس دقيقة مختلفة في صور الأيام الممطرة، والاستخدام الوحيد لمقياس واحد لإزالة المطر من الصورة لديه عيوب كبيرة، مما يجعل من المستحيل استعادة صورة واضحة كافية لمهام الرؤية. مستفيدًا من القدرة القوية لشبكات العصبية الالتفافية على استخلاص الميزات، يقترح هذا البحث مشغل هيكلي متعدد المراحل متتابع يعتمد على طبقات التلافيف. يحتوي هذا المشغل على 4 طبقات تلافيفية، ويرتبط بطريقة متدرجة ليشكل وحدة متكاملة يمكنها استخلاص ودمج الميزات في سيناريوهات المطر متعددة المقاييس. تم تضمين هذا المشغل في هيكل شبكة حلقية تقدمية لإزالة آثار المطر عدة مرات باستخدام الهيكل الحلقي، وأخيرًا استعادة صورة خالية من المطر تقترب من الصورة الحقيقية. أجريت تجارب مقارنة على مجموعات البيانات الاصطناعية للمطر Rain100H، Rain100L، Rain800 ومجموعات بيانات المطر الاصطناعية الخاصة بقيادة السيارات BDD1000. أظهرت نتائج التجارب أن الخوارزمية حققت قيم PSNR تبلغ 30.70، 37.91، 27.63، 35.74 ديسيبل، وقيم SSIM تبلغ 0.914، 0.980، 0.894، 0.977 على المجموعات الأربع. من خلال عرض نتائج إزالة المطر على مجموعات البيانات الواقعية، تم التحقق بشكل كامل من فعالية الطريقة المطروحة في مهمة إزالة المطر.

إزالة المطر من الصور;هيكل التلافيف المتتابع متعدد المراحل;شبكة عصبية التلافيف;التعلم العميق;ميزات متعددة المقاييس;هيكل البقايا