摘要：现有的图像去雨算法存在雨滴去除不彻底和除雨后的图片因过度平滑导致图像模糊等现象。针对上述问题,提出一种基于生成对抗网络(GAN)的多尺度密集残差去雨网络(MDRGAN)。首先,将卷积门控循环单元(CGRU)引入生成网络,构建雨滴检测网络框架,实现对不同大小的雨滴位置、透明度等空间信息的学习;其次,利用CGRU的门控机制,使构建的框架更关注雨滴特征,确保检测目标信息的完整性和准确性;再次,设计多尺度密集残差网络(MDRN),在密集网络中引入残差模块用于传递和去除雨滴的特征信息;进一步,在密集残差网络的最后一层、倒数第3层和倒数第5层分别设置3个尺度的输出,使网络能够同时学习不同尺度的特征信息,彻底去除检测的雨滴;最后,引入Lipschitz约束改进判别网络架构中的损失函数,以生成更清晰的无雨图像,提高GAN的训练稳定性。在公开数据集Raindrop、RainDS上进行实验与测试,并与现有的6种主流网络对比。在Raindrop的测试集的Test A上,MDRGAN的结构相似度(SSIM)比ATT(ATTention raindrop network)高1.20%;在Raindrop的测试集的Test B上,MDRGAN的SSIM比DURN(DUal Residual Network)高4.74%,峰值信噪比(PSNR)比A2Net(Adjacent Aggregation Networks)高1.80%。在RainDS的测试集上,MDRGAN的SSIM和PSNR分别比A2Net高0.95%和1.82%。MDRGAN可以有效去除检测的雨滴信息,获得更清晰稳定的去雨图像。