Imagens em dias de chuva afetam a eficácia e precisão das tarefas de visão computacional. As imagens de chuva frequentemente contêm gotas ou marcas de chuva provenientes de diferentes direções, tamanhos e formas. Ao remover essas gotas e marcas, os métodos existentes geralmente não consideram as informações de características em diferentes escalas finas das imagens de chuva, e o uso de uma única escala para remoção de chuva apresenta grandes limitações, não conseguindo restaurar imagens suficientemente claras para tarefas visuais. Beneficiando-se da poderosa capacidade de extração de características das arquiteturas de redes neurais convolucionais, este artigo propõe um operador de estrutura convolucional progressiva em cascata de ponta a ponta, que contém 4 camadas convolucionais, conectadas em degraus para formar um módulo integrado, capaz de extrair e integrar características em cenas de chuva em múltiplas escalas. Este módulo é incorporado a uma estrutura de rede recorrente progressiva, utilizando a estrutura recorrente para remover múltiplas vezes as marcas de chuva, restaurando efetivamente uma imagem sem chuva próxima da imagem real. O método foi comparado em conjuntos de dados sintéticos de chuva Rain100H, Rain100L, Rain800 e no conjunto de dados sintético de chuva da área de direção autônoma BDD1000. Os resultados experimentais mostram que o algoritmo alcançou valores de PSNR de 30,70, 37,91, 27,63, 35,74 dB e valores de SSIM de 0,914, 0,980, 0,894, 0,977 nos quatro conjuntos de dados. A visualização dos resultados de remoção de chuva em conjuntos de dados reais demonstrou plenamente a eficácia do método proposto na tarefa de remoção de chuva.

remoção de chuva em imagens;estrutura convolucional progressiva em cascata;rede neural convolucional;aprendizado profundo;características em múltiplas escalas;estrutura residual