在基于深度学习的框架中,模型成功与否的关键主要有两个方面,一是模型架构,二是训练阶段。为了训练深度学习模型,您需要手头有大量标记数据集。在图像恢复方面,需要成对的退化/地面真实图像通过最小化网络估计和地面真实（非退化）图像之间的均方误差（MSE）来执行训练过程。话虽如此,在许多情况下,地面实况数据可能难以获得或在技术上消耗。一个例子是医学成像,其中3D MRI需要几个小时才能获得一个高质量的数据。减少时间获取会导致退化性障碍,这对医学诊断是有害的。最近,在图像恢复任务中（在图像去噪的背景下）注意到了一个有趣的特征。它可以对真实数据中的正常干扰具有鲁棒性,这意味着如果训练期间使用的真实数据必须通过零平均高斯退化,那么这不会显着改变恢复性能。它还表明,在许多情况下,我们可以实现类似的恢复性能。换句话说,我们可以通过映射同一样本的两个不同噪声实例来训练一个基于深度学习的恢复模型,并学习实现去噪结果（此方法以下简称为噪声训练）。这种行为非常吸引人,并激励我们探索更多无监督的训练方法。在这项工作中,我们建议解决在没有真实数据集的情况下训练基于深度学习的恢复模型的问题。以前关于无监督深度学习训练的工作重点是图像去噪任务。我们在图像下雨的背景下重新审视了无监督的深度学习训练。由于许多未解决的问题,下雨的图像仍然是一个发展中的主题:大多数除雨算法依靠合成数据集来比较和评估它们的性能。虽然合成大量的训练对相对容易,但在合成数据集上训练的模型不能很好地泛化到真实的雨图像,因为合成的雨与真实的雨分布不匹配。同时收集真雨/无雨是不可行的。尽管最近的一些工作提出使用丰富的降雨时间信息（多帧）来构建大规模的真实降雨数据集,但生成过程可能既乏味又耗时——尤其是因为它包括人工监督。尽管已知真实雨图像数据集在数据收集和地面实况生成方面存在困难,但在探索用于训练单图像除雨模型的无监督训练方法方面的工作很少。在这项工作中,我们建议在没有基于地面的实时训练的情况下探索单个图像下雨。更清楚地表明,通过训练模型将雨图像映射到雨图像,可以仅使用雨图像来训练单个图像去雨模型。这项工作的主要贡献包括:将降雨引入降雨训练——一种从单个图像中去除降雨的无监督训练方法,该方法仅依赖于降雨图像,不假设任何有关降雨分布的先验知识。我们还介绍了一种选择足够训练对的方法——这里称为最小重叠训练对,事实证明,它可以提高雨到雨的训练性能以实现监督性能。使用不同的数据集和不同的训练设置,我们可以识别出不同的训练场景,在这些场景中,rain-to-rain训练可以实现与监督训练相似、更好或更差的除雨性能。回到去噪任务,之前的工作假设可以访问配对噪声数据进行无监督训练。在我们的工作中,我们假设只能访问噪声图像的单个实例并开发我们自己的无监督训练方法。我们的目标是设计一种用于图像去噪的单图像无地面训练方法。大多数现有的基于深度学习的方法仅依赖于使用真实数据来训练判别学习模型,这显然是默认使用的方法。（如果可供使用的话）。我们知道训练不仅限于地面实况数据,嘈杂的目标也可以达到令人满意的去噪性能。然而,当没有可用的噪声图像对时,我们不清楚如何利用这个特性来发挥我们的优势。事实上,很难找到包含成对噪声数据的数据集;实际上,最常见的情况是查找只有一个噪声实例标题的数据。同样,虽然噪声到噪声的映射高度相关,但并不令人满意。