基于无人机的检查是确保铁路安全的有效方式，受到广泛关注。然而，在复杂天气条件下（如雨、雪或雾）拍摄的图像常常严重退化，影响图像识别的准确性。现有的雨、雪和雾的去除算法有两个主要限制：它们未能在不同天气复杂性下自适应学习特征，并且在管理无人机检查中的复杂噪声模式方面表现不佳，导致噪声去除不完全。为了解决这些挑战，本研究提出了一种新颖的无人机图像雨、雪和雾去除框架，称为WeatherClean。该框架在参数可调网络架构中引入了天气复杂性调整因子（WCAF），以自适应地处理不同程度的天气退化。它还采用了分层多尺度裁剪策略，以增强细微噪声和边缘结构的恢复。此外，它还结合了一种基于大气散射物理模型的退化合成方法，生成与真实天气模式一致的训练样本，从而缓解数据稀缺问题。实验结果表明，WeatherClean在有效去除噪声颗粒的同时保留图像细节，显著优于现有方法。这一进展为基于无人机的铁路检查提供了更可靠的高清视觉参考，显著提升了复杂天气条件下的检查能力，确保了铁路运作的安全性。
Wang等（Mon，）研究了这个问题。