2019 ICCV去雨论文，基本思想是认为，一般的encoder对带雨图像的表征能力不够，更容易反映带雨的特征，很容易丧失其他属性例如纹理等。所以该论文的核心思路是引入另外一个encoder分支，对表征的特征做补充。基本原理图如下所示:
这里采用了如下两种结构去实现，具体不多说了，很容易看懂:
在loss上，这里使用L1 loss用来训练原始的encoder decoder网络，表示为:
加入引入的另一个encoder之后，需要增加一个新的loss:
这里第一项表示原始的encoder decoder网络里对应的encoder特征，第二项表示另一个添加的encoder对应的特征。最后一项表示clean-to-clean训练好的结果（encoder-decoder结构）在encoder对应的特征，也就是GT在encoder对应的特征，通过这个loss，可以约束另一个分支学习GT特征里的纹理等信息。
将上述两个loss做结合称为$L_{ERL-Net}$，这里有若干训练策略，如下表所示(其中MEN指代原来的encoder,MDE指代原来的decoder,REN指代添加的encoder):
论文最后做了实验对这几种策略做了对比，详见论文。