基于非配对数据的跨场景去雨自适应：超像素结构先验与多阶段伪雨合成

图像去雨在底层计算机视觉中扮演着关键角色，是鲁棒户外监控与自动驾驶系统的先决条件。尽管深度学习范式在严格对齐的设置下取得了显著成功，但当泛化到未见过的分布外（Out-of-Distribution, OOD）场景时，其性能往往会严重下降。这种失败主要源于合成训练数据集与真实世界降雨的复杂物理动态之间存在显著的领域差异。为解决这些挑战，本文提出了一种开创性的跨场景去雨自适应框架。与传统方法不同，我们的方法无需目标域中的配对降雨观测数据，仅利用无雨背景图像。我们设计了一个超像素生成（Superpixel Generation, Sup-Gen）模块，利用简单线性迭代聚类从源域提取稳定的结构先验。随后，引入一种分辨率自适应融合策略，通过纹理相似性将这些源结构与目标背景对齐，确保合成多样化且逼真的伪数据。最后，我们实现了一种伪标签重合成机制，利用多阶段噪声生成来模拟真实的雨纹。该框架作为一个通用的即插即用模块，能够无缝集成到任意去雨架构中。在最新模型上的大量实验表明，我们的方法在OOD领域带来了显著的PSNR增益，最高可达32%至59%，同时显著加速了训练收敛。