Изображения в дождливую погоду влияют на эффективность и точность задач компьютерного зрения. Изображения дождливой погоды часто содержат капли дождя или следы дождя из разных направлений, размеров и форм. При удалении этих капель и следов существующие методы обычно не учитывают информацию признаков на разных тонких масштабах дождливых изображений, использование только одного масштаба имеет значительные недостатки и не позволяет восстановить достаточно четкие изображения для задач зрения. Благодаря мощным возможностям сверточных нейронных сетей по извлечению признаков, в данной работе предлагается сквозной многоуровневый каскадный сверточный оператор, который включает 4 сверточных слоя, которые связаны по лестничному принципу, формируя единый модуль, способный извлекать и интегрировать признаки дождливой сцены на разных масштабах. Данный оператор встроен в структуру прогрессивной рекуррентной сети, используя рекуррентную структуру для многократного удаления дождевых полос, что в конечном итоге эффективно восстанавливает изображения без дождя, близкие к реальным. Метод был протестирован на синтетических наборах данных с дождем Rain100H, Rain100L, Rain800 и синтетическом наборе данных для автономного вождения BDD1000. Результаты экспериментов показывают, что алгоритм достиг значений PSNR 30.70, 37.91, 27.63, 35.74 дБ и значений SSIM 0.914, 0.980, 0.894, 0.977 на четырёх наборах данных. Визуализация результатов удаления дождя на реальных наборах данных полностью подтверждает эффективность предложенного метода в задаче удаления дождя.

удаление дождя с изображений;многоуровневая каскадная сверточная структура;сверточная нейронная сеть;глубокое обучение;многоуровневые признаки;остаточная структура