秦方方 2025《基于深度学习的单幅图像去雨算法研究与应用》（河南理工硕士论文）蒸馏文档

《基于深度学习的单幅图像去雨算法研究与应用》（秦方方 2025 河南理工）蒸馏文档

蒸馏方法 ：按照「图书蒸馏师」四步法执行（源自 CSDN 博客《知识蒸馏方法论》）

蒸馏对象 ：秦方方，河南理工大学全日制硕士专业学位论文（电子信息/计算机技术），2025 年 5 月答辩，导师贾宗璞

蒸馏日期 ：2026-09-20

对比基线 ：叶宇超 2024 江南大学同题论文（见同目录下 叶宇超2024_单幅图像去雨_蒸馏文档.md）

第一步：体裁判别
第二步（工具书路径）：可执行的步骤、流程、原则
第二步（非工具书路径）：作者的思考方式、决策逻辑、分析框架
[第三步：封装为 Skill](#第三步：封装为 Skill)
第四步：适用边界
附录：核心数据速查表
[横向对比：秦方方 vs 叶宇超](#横向对比：秦方方 vs 叶宇超)

第一步：体裁判别

结论：混合型，需要分路提取。

判别维度	判断依据	结论
能否直接照着做？	第 3、4 章给出网络结构、训练配置、消融方案，第 5 章给出 PyQt5 系统流程	工具书属性（约占 65%）
是否需要先理解他为什么这么想？	两章方法都围绕「CNN 局部 vs Transformer 全局」的矛盾取舍展开，有明显的问题驱动逻辑	非工具书属性（约占 35%）

工具书部分（第 2、3、4、5 章 + 实验数据）→ 提取「可执行的步骤、流程、原则」
非工具书部分（第 1、3.1、4.1、6 章的问题分析与取舍逻辑）→ 提取「作者的思考方式、决策逻辑、分析框架」

第二步（工具书路径）：可执行的步骤、流程、原则

2.1 知识基座（动手前必须掌握的最小知识集）

雨水成像模型（秦方方版，比叶宇超多一层非线性）

模型	公式	要点
雨线模型（RSM）	`O = B + S`	线性叠加，Rain100/800/1400 基于此合成
屏幕混合模型（SBM）	`O = B + S − B⊙S`	非线性复合，背景和雨纹互相影响
图像深度模型（IDM）	`O = α(S + F⊙S) + (1−α)B`	引入雾层 `F`，用于 RainCityscapes
暴雨模型（HRM）	`O = T⊙B + ΣSi + (1−T)A`	多方向雨层+传输图，NYU-Rain / Outdoor-Rain
雨水余量模型（RRM）	`O = B − R`	只用于训练，不能合成
类雾模型（HLM）	`O = T⊙B + S`	模拟雾状雨水退化

决策规则：做标准合成数据集实验时用 RSM 即可；处理真实复杂雨图时要意识到 SBM/IDM/HLM 的存在。

数据集选择表

数据集	类型	规模	特点
Rain100H	合成	100 对	大雨，雨线密集粗壮，与背景融合度高
Rain100L	合成	100 对	中小雨，方向/长度变化较规则
Test100	合成	100 对	多强度、多方向，场景来源广
Test1200	合成	1200 张	规模大，雨强从细雨到暴雨，含倾斜雨线、雨后积水反光
RID	真实	2485 张	雨天车辆/行人照片，自动驾驶场景
RIS	真实	2348 张	监控摄像头拍摄，安防场景

评价指标

PSNR、SSIM（有 GT 的合成集，越高越好）
NIQE、SSEQ（真实无 GT 数据集，越低越好）

2.2 流程一：DBSTNet（基于稀疏 Transformer 的双支路联合网络）设计流程

解决的核心问题：CNN 感受野局限导致长雨线提取不完整；Transformer 自注意力被不相关 token 干扰。

text 复制代码

Step 1  双阶段解耦：
        - RRS（雨水去除子网）：学习得到「雨残图 / 降雨分布图」
        - BRS（背景恢复子网）：用降雨分布生成退化先验，指导背景纹理精细恢复
Step 2  输入先下采样 2 倍得到 IRS（论文用双线性下采样），让 RRS 在较小分辨率上估计雨水
Step 3  RRS 内部由多个 DJM（双支路联合模块）组成，每个 DJM = RSTB + UEDB + 混合融合块
        - RSTB：残差稀疏 Transformer 分支，由 12 个 STB 堆叠，只保留 Top-c 相关注意力值
        - UEDB：U 形编解码分支，前三级编码+后三级解码，用 PSO（PixelShuffle）上下采样
Step 4  稀疏 Transformer 块（STB）核心：
        - TCSA：通道维自注意力 + 1×1 卷积 + 3×3 深度卷积编码通道上下文
        - Top-c 选择算子：只保留注意力矩阵中相关性最大的 c 个值，抑制隐式噪声
        - MSFN：混合尺度前馈，1×1 升维后分 3×3 和 5×5 深度卷积两支，增强多尺度局部信息
Step 5  UEDB 跳跃连接处加入 FRU（特征细化单元）：3 个 DRB 构成，用残差通道注意力保护纹理
Step 6  RRS 输出：雨水分布特征图 IRS* + 初步去雨结果 ICS*
Step 7  BRS 输入：IRS*、ICS*、原始雨图 IR；经 AAM（注意关联模块）生成退化先验图，再恢复最终背景 IC*
Step 8  损失函数：
        L_RRS = Charbonnier(IC*cs, IC) − 0.15×SSIM(IC*cs, IC)
        L_BRS = Charbonnier(IC*, IC) − 0.15×SSIM(IC*, IC)
        L_total = L_RRS + 1×L_BRS

关键原则（消融验证过的）：

RSTB 和 UEDB 缺一不可：no-RSTB 掉 2.09dB，no-UEDB 掉 1.39dB
Top-c 稀疏注意力是关键：no-SA（自注意力）掉 0.6dB，且视觉上有雨水残留
FRU 对细节保护贡献最大：no-FRU 掉 1.18dB，背景纹理趋于平滑
PSO（PixelShuffle）优于普通上采样：no-PSO 掉 0.5dB
训练分辨率固定为 256×256；学习率 2×10⁻⁴，余弦退火每 65 次迭代衰减 0.8

2.3 流程二：ACMBNet（基于注意力协同机制的轻量网络）设计流程

解决的核心问题：Transformer 资源消耗大，难以实际部署；传统 CNN 感受野不足。

text 复制代码

Step 1  放弃 Transformer，改用全卷积+扩张卷积实现全局感受野扩展
Step 2  输入经 3×3 卷积得到浅层特征 F1
Step 3  串联 k 个 ASM（注意力协同模块），默认 k=4；每个 ASM 内含 6 ABB + 6 EAS
        - ABB（注意力结合块）：通道注意力上层 + 空间注意力下层并联，再级联+跳跃连接
        - EAS（扩张注意力分裂器）：
          a. 将输入特征 Split 成多组子特征；
          b. 每组用扩张率 DR=1,2,3,4 的扩张卷积并行处理；
          c. SE 模块自适应加权不同通道；
          d. Concat 拼接后 + 卷积 + 与输入跳跃连接
        - ASM 融合：用 MFFU 自适应加权融合 ABB 和 EAS 的输出
Step 4  最后经卷积 + PixelShuffle 上采样得到残差图 R
Step 5  输出 O = Input + R
Step 6  损失函数：L_total = L1(O, GT) + 0.04 × L_perceptual（基于预训练网络高层特征）

关键原则（消融验证过的）：

ASM 协同最重要：no-ASM 在 Rain100H 上从 33.52 跌到 27.46dB（掉 6dB）
ABB 对去雨精度关键：no-ABB 掉 2.31dB，大雨下会出现雨雾阴影残留
EAS 对全局一致性关键：no-EAS 掉 4.48dB，远处雨区混沌模糊
扩张率 1~4 是经验饱和点：不用额外消融表，论文直接采用四组扩张率
训练分辨率固定 128×128（比 DBSTNet 更小）；初始学习率 1×10⁻³，比 DBSTNet 高一个量级

2.4 流程三：实验规范（可复用的实验模板）

项目	DBSTNet（第 3 章）	ACMBNet（第 4 章）
框架	PyTorch，Python	同左
硬件	NVIDIA A100 40GB	同左
训练块尺寸	256×256	128×128
Batch size	16	6
优化器	Adam	Adam
初始学习率	2×10⁻⁴	1×10⁻³
衰减策略	Cosine Annealing，每 65 iter 衰减 0.8	Cosine Annealing，每 65 iter 衰减 0.8
总迭代	600	600
训练数据	13700 对（来自 Rain800/Rain1400）	同左

横向对比设计规则：

必须覆盖 CNN 类（RESCAN、MSPFN）、多阶段类（MPRNet）、Transformer 混合类（ELF、HCT-FFN）
真实雨图验证固定使用 RID（自动驾驶）+ RIS（监控） 两个场景
同时报告 Params(M) 和 Time(S)，强调效率

2.5 流程四：PyQt5 图像去雨系统实现流程

text 复制代码

Step 1  系统分层：用户交互层（PyQt5 GUI）→ 图像数据管理层 → 算法核心处理层（PyTorch）→ 结果输出层
Step 2  用户交互层：
        - 登录/注册界面
        - 主操作界面：上传文件（.png/.jpg/.jpeg，图像或视频）
        - 算法下拉菜单：DBSTNet / ACMBNet；不选则由系统自动推荐
        - 开始/退出按钮
Step 3  数据管理层：
        - 格式校验，错误则弹窗提示
        - 提取分辨率、色彩模式等属性
        - 预处理：
          · DBSTNet → 缩放/裁剪为 256×256，归一化到 [0,1]
          · ACMBNet → 缩放/裁剪为 128×128，归一化到 [0,1]
Step 4  算法核心层：调用对应模型推理
Step 5  结果输出层：
        - 展示去雨结果
        - 支持原始图与结果图并排对比、放大/缩小/平移
        - 保存结果到本地

系统自动推荐规则（这是秦方方论文的工程决策点）：

text 复制代码

if 雨水密度大 and 雨线方向复杂 and 背景纹理丰富：
    推荐 DBSTNet（全局结构建模强）
else if 雨水相对稀疏 and 背景简单 and 对速度敏感：
    推荐 ACMBNet（轻量、速度快）

第二步（非工具书路径）：作者的思考方式、决策逻辑、分析框架

3.1 作者的分析框架：三问驱动

秦方方把领域的矛盾归纳为三个核心问题，每章工作对应一个矛盾的直接回应：

text 复制代码

问题 1：CNN 感受野有限，Transformer 自注意力被无关 token 干扰
                ↓ 回应
        第 3 章 DBSTNet：稀疏 Transformer 双支路联合

问题 2：Transformer 参数多、资源消耗大，实际部署困难
                ↓ 回应
        第 4 章 ACMBNet：纯卷积 + 扩张卷积 + 注意力协同，参数量仅 0.684M

问题 3：算法成果到实际应用有鸿沟
                ↓ 回应
        第 5 章 PyQt5 系统：集成两种算法，按场景自动推荐

可迁移的思考方式：先定位现有架构（CNN / Transformer / 混合）的结构性缺陷 → 用「加法」组合优势、用「减法」消除冗余 → 再用系统落地验证。

3.2 作者的决策模式（遇到分歧怎么取舍）

决策情境	作者的选择	背后的价值观
效果 vs 效率	DBSTNet 追求效果（Top-c 稀疏注意力），ACMBNet 追求效率（0.684M / 0.086s）	分场景专门化，不在一个模型里硬平衡
Transformer 全局建模 vs 资源消耗	第 4 章直接舍弃 Transformer，用扩张卷积获得全局感受野	效率优先时，可以放弃 Transformer 的「全局自注意力」范式
单一损失 vs 混合损失	DBSTNet 用 Charbonnier + SSIM；ACMBNet 用 L1 + 感知损失	不同阶段目标不同，损失函数也要差异化
上采样方式	统一使用 PixelShuffle / PSO	上采样过程必须减少信息丢失
训练 patch 大小	DBSTNet 256×256，ACMBNet 128×128	轻量模型不需要大 patch；模型复杂度与输入分辨率匹配

3.3 作者的独门方法（别人不常做但他坚持的）

双阶段解耦思路：把去雨拆成「雨水去除子网」和「背景恢复子网」两步，中间用降雨分布图做桥梁。这与叶宇超「单阶段端到端」思路形成对比。
Top-c 稀疏注意力 ：不是简单压缩 Transformer，而是只保留相关性最大的 c 个注意力值，并把它作为核心卖点解释为什么能抑制不相关 token 噪声。
自动算法推荐机制：系统根据雨水密度、背景复杂度、速度需求自动在 DBSTNet 和 ACMBNet 之间切换，这是多数论文只做单一模型的系统所没有的。
真实场景双数据集验证：RID（自动驾驶）+ RIS（监控）双场景无参考验证，比单纯合成集指标更有落地说服力。

3.4 作者反复强调要避开的坑

CNN 单独使用：感受野受限，长雨线提取不完整，容易过度平滑
Transformer 单独使用：局部特征不精确，冗余信息干扰，计算资源消耗大
不使用 PixelShuffle/PSO：上下采样会丢失信息
去除 ABB/EAS/ASM 中任一个：都会导致大雨区残留或远处模糊
系统不做预处理归一化：会导致模型输入 mismatch

第三步：封装为 Skill

Skill 卡片：单幅图像去雨算法设计顾问（秦方方 2025 版）

yaml 复制代码

角色: 单幅图像去雨算法设计与部署顾问（基于秦方方 2025 河南理工硕士论文方法论）

输入规范（用户需提供）:
  1. 目标场景: 追求极限效果 / 追求极致轻量 / 两者并存且可按需切换？
  2. 硬件约束: A100 服务器 / 普通 GPU / CPU 边缘端？
  3. 数据条件: 是否有合成训练对？是否需要在 RID/RIS 类真实场景验证？
  4. 速度要求: 是否要求实时或接近实时？

处理链路（按论文方法一步步处理）:
  Step 1  确定数据与评价指标 → 合成集用 PSNR/SSIM；真实集用 NIQE/SSEQ
  Step 2  诊断瓶颈类型 →
          ① 长雨线/全局结构差 → 走 DBSTNet（稀疏 Transformer + UEDB 双支路）
          ② 资源受限/速度敏感 → 走 ACMBNet（纯卷积 + 扩张注意力协同）
  Step 3  设计网络 →
          - DBSTNet：RRS（雨水去除）+ BRS（背景恢复），12 STB，Top-c 注意力，PSO，FRU
          - ACMBNet：4 ASM，每个 6 ABB + 6 EAS，扩张率 1~4，PixelShuffle
  Step 4  训练 → 按上表配置；DBSTNet 用 Charbonnier+SSIM，ACMBNet 用 L1+感知损失
  Step 5  验证 → 合成集横向对比 + RID/RIS 真实集 + 消融（no-ABB / no-EAS / no-ASM）
  Step 6  系统落地 → PyQt5 四层架构，集成两种算法，按场景自动推荐
  Step 7  汇报 → 给出 (PSNR, SSIM, Params, Time, NIQE/SSEQ) 五联指标

输出: 网络结构方案 + 训练配置表 + 实验设计（合成+真实+消融）+ PyQt5 系统路线图

适用边界: 见第四步

运行示例

输入："监控场景下要去雨，速度要快，但背景不能过度平滑。"

按 Skill 链路处理：

监控场景对应 RIS 真实数据集 → 用 NIQE/SSEQ 评价
速度优先 → 主线走 ACMBNet，而不是 DBSTNet
背景细节不能过度平滑 → ABB（通道+空间注意力）是关键，不可省略
训练 patch 用 128×128，batch 6，lr 1e-3，余弦退火
验证：合成 Test1200（复杂雨线）+ RIS（监控真实）
如果后续要系统落地：ACMBNet 作为默认推荐，DBSTNet 仅对高密度雨启用
汇报：给出 PSNR/SSIM + Params + Time + RIS NIQE/SSEQ 五联指标

第四步：适用边界

这个 Skill 能用的场景

单幅图像去雨（Rain100H/L、Test100、Test1200、RID、RIS 生态）
需要「效果型模型 + 轻量型模型」组合部署的场景
想学习如何用稀疏注意力抑制 Transformer 冗余噪声
想用扩张卷积+注意力协同替代 Transformer 做全局建模
PyQt5 桌面端图像处理系统开发

会翻车的场景

场景	为什么会翻车
嵌入式/移动端部署	论文系统只在 PC 端 PyQt5 实现，没有 Jetson/移动端优化经验
夜间低光照雨图	明确写在展望中未解决，雨水与灯光反射互相干扰
运动物体+动态雨水	单幅图像去雨没有时序建模，运动模糊和雨线动态变化难以处理
4K/高分辨率实时视频	训练 patch 仅 128/256，直接推理大分辨率显存和速度都是问题
无 Transformer 但需要捕获超长距离依赖	ACMBNet 依赖扩张卷积，感受野仍受扩张率上限约束
没有真实无雨参考的定量需求	论文用 NIQE/SSEQ，但这些无参考指标本身存在偏好性

前提假设（使用前自查）

训练环境至少 A100 级别（或等价显存）
合成数据集训练后，必须在 RID/RIS 或同类型真实集上验证
系统部署目标为 PC 桌面端；移动端需要额外轻量化改造

附录：核心数据速查表

A. DBSTNet 性能（合成数据集）

方法	Rain100H PSNR/SSIM	Rain100L PSNR/SSIM	Test100 PSNR/SSIM	Test1200 PSNR/SSIM	Avg-PSNR
DIDMDN	17.35/0.524	25.23/0.741	22.56/0.818	29.65/0.901	24.58
UMRL	26.01/0.832	29.18/0.923	24.41/0.829	30.55/0.910	28.02
RESCAN	26.36/0.786	29.80/0.881	25.00/0.835	30.51/0.882	28.59
MSPFN	28.66/0.860	32.40/0.933	27.50/0.876	32.39/0.916	30.75
MPRNet	30.41/0.889	36.40/0.965	30.27/0.897	32.91/0.916	32.73
ELF	30.48/0.896	36.67/0.968	30.45/0.909	33.38/0.925	32.74
DBSTNet	32.04/0.902	37.81/0.976	31.82/0.927	34.12/0.938	33.95

B. DBSTNet 在真实数据集（NIQE/SSEQ，越低越好）

数据集	DIDMDN	RESCAN	MSPFN	MPRNet	ELF	DBSTNet
RID NIQE	5.693	6.641	6.518	6.452	4.318	3.925
RID SSEQ	41.71	40.62	40.47	40.16	37.89	37.04
RIS NIQE	5.751	6.485	6.135	6.610	5.835	5.472
RIS SSEQ	46.63	50.89	43.47	48.78	42.16	41.17

C. DBSTNet 消融实验（Test100）

模型	RSTB	UEDB	PSNR	SSIM
no-RSTB	×	√	29.73	0.887
no-UEDB	√	×	30.43	0.907
DBSTNet	√	√	31.82	0.919

模型	PSO	FRU	SA	PSNR	SSIM
rainimage	×	×	×	22.16	0.732
no-PSO	×	√	√	31.32	0.916
no-FRU	√	×	√	30.64	0.910
no-SA	√	√	×	31.22	0.915
no-ALL	×	×	×	28.78	0.875
DBSTNet	√	√	√	31.82	0.919

D. ACMBNet 性能与效率

方法	Rain100H PSNR/SSIM	Rain100L PSNR/SSIM	Test100 PSNR/SSIM	Test1200 PSNR/SSIM	Avg-PSNR	Params(M)	Time(S)
RESCAN	26.36/0.786	29.80/0.881	25.00/0.835	30.51/0.882	27.91	0.150	0.546
MSPFN	28.66/0.860	32.40/0.933	27.50/0.876	32.39/0.916	30.23	13.35	0.507
MPRNet	30.41/0.889	36.40/0.965	30.27/0.897	32.91/0.916	32.49	3.637	0.207
ELF	30.48/0.896	36.67/0.968	30.45/0.909	33.38/0.925	32.74	1.532	0.125
HCT-FFN	31.51/0.910	37.14/0.972	31.43/0.918	34.05/0.930	33.53	0.870	0.093
ACMBNet	32.97/0.918	38.22/0.979	32.64/0.930	35.02/0.942	34.71	0.684	0.086

E. ACMBNet 消融实验（Rain100H）

模型	ABB	EAS	ASM	PSNR	SSIM
no-ABB	×	√	√	31.21	0.876
no-EAS	√	×	√	29.04	0.865
no-ASM	√	√	×	27.46	0.854
ACMBNet	√	√	√	33.52	0.908

横向对比：秦方方 vs 叶宇超

1. 基本信息

维度	秦方方 2025 河南理工	叶宇超 2024 江南大学
学位类型	电子信息硕士（计算机技术）	控制工程硕士
导师/答辩	贾宗璞 / 2025.05.21	陈莹、吉峰 / 2024.06
页数	81 页	74 页
主要方法	DBSTNet（稀疏 Transformer 双支路）+ ACMBNet（注意力协同轻量）	MSAFNet（跨尺度注意力融合）+ CRVLNet（卷积+递归 ViT）

2. 方法路线对比

对比维度	秦方方 2025	叶宇超 2024
核心矛盾切入点	CNN 感受野不足 + Transformer 冗余噪声	多尺度融合失真 + Transformer 规模过大
方法 1 定位	效果型：DBSTNet（双阶段：雨水去除子网 + 背景恢复子网）	效果型：MSAFNet（并行多子网 + 跨尺度注意力融合）
方法 2 定位	效率型：ACMBNet（纯卷积 + 扩张注意力协同）	效率型：CRVLNet（卷积 + 递归 ViT，1.34M）
是否保留 Transformer	效果模型保留，效率模型完全舍弃 Transformer	两个模型都不同程度使用 Transformer
全局建模方式	DBSTNet 用 Top-c 稀疏自注意力；ACMBNet 用扩张卷积	MSAFNet 用多尺度注意力；CRVLNet 用通道维转置注意力
上采样方式	PixelShuffle / PSO	最近邻插值 / PixelShuffle
损失函数	DBSTNet：Charbonnier + SSIM；ACMBNet：L1 + 感知损失	MSAFNet：−SSIM；CRVNet：MSE
参数/速度最优	ACMBNet 0.684M / 0.086s	CRVLNet 1.34M（无显式速度表）

3. 数据集与验证对比

对比维度	秦方方 2025	叶宇超 2024
合成数据集	Rain100H、Rain100L、Test100、Test1200	Rain200H、Rain200L、Rain800、DID-MDN
真实数据集	RID（自动驾驶）、RIS（监控）	SPA-DATA（城市场景）
训练数据量	13700 对	未明确总对数，按各数据集分别训练
训练硬件	A100 40GB	双卡 2080Ti
是否做嵌入式部署	否，只做 PC 端 PyQt5 系统	是，Jetson NANO + ONNX + Numba

4. 系统对比

对比维度	秦方方 2025	叶宇超 2024
系统框架	PyQt5 桌面端	PyQt5 + Jetson NANO 嵌入式
算法集成	DBSTNet + ACMBNet 双算法，可按场景自动推荐	只部署 CRVLNet 单一模型
交互功能	登录/注册、文件上传、算法选择/自动推荐、结果对比、保存	选择图片、开始去雨、指标显示、保存
预处理尺寸	DBSTNet 256×256 / ACMBNet 128×128	端侧按模型缩放，480×320 推理

5. 互相印证的共性结论

CNN + 注意力/Transformer 互补：两人都认同单一 CNN 或单一 Transformer 不足以做好去雨。
消融必须模块级：两人都用「去掉某模块掉多少 dB」证明组件不可或缺。
真实场景验证必要：两人都在合成集之外用真实雨图集验证泛化性。
PyQt5 作为落地入口：两人都用 PyQt5 做系统界面，说明学术界默认它适合快速原型。

6. 可互相借鉴的差异点

秦方方 → 叶宇超：系统层面的双算法自动推荐机制；RID/RIS 真实场景验证；ACMBNet 的 0.684M 极致轻量设计。
叶宇超 → 秦方方：嵌入式部署全流程（ONNX 转换、端侧模型选型、Numba 加速）；MSAFNet 跨尺度注意力融合对混叠失真的处理；更详细的收敛速度分析（IRB 使 epoch 从 3800 降到 1200）。

蒸馏完成。原始论文 81 页 → 本文档。核心保留：2 条可执行网络流程 + 1 套实验规范 + 1 套 PyQt5 系统流程 + 秦方方的「三问驱动」研究框架 + 与叶宇超的横向对比。

秦方方 2025《基于深度学习的单幅图像去雨算法研究与应用》（ 河南理工硕士论文）蒸馏文档

《基于深度学习的单幅图像去雨算法研究与应用》（秦方方 2025 河南理工）蒸馏文档

目录

第一步：体裁判别

第二步（工具书路径）：可执行的步骤、流程、原则

2.1 知识基座（动手前必须掌握的最小知识集）

雨水成像模型（秦方方版，比叶宇超多一层非线性）

数据集选择表

评价指标

2.2 流程一：DBSTNet（基于稀疏 Transformer 的双支路联合网络）设计流程

2.3 流程二：ACMBNet（基于注意力协同机制的轻量网络）设计流程

2.4 流程三：实验规范（可复用的实验模板）

2.5 流程四：PyQt5 图像去雨系统实现流程

第二步（非工具书路径）：作者的思考方式、决策逻辑、分析框架

3.1 作者的分析框架：三问驱动

3.2 作者的决策模式（遇到分歧怎么取舍）

3.3 作者的独门方法（别人不常做但他坚持的）

3.4 作者反复强调要避开的坑

第三步：封装为 Skill

Skill 卡片：单幅图像去雨算法设计顾问（秦方方 2025 版）

运行示例

第四步：适用边界

这个 Skill 能用的场景

会翻车的场景

前提假设（使用前自查）

附录：核心数据速查表

A. DBSTNet 性能（合成数据集）

B. DBSTNet 在真实数据集（NIQE/SSEQ，越低越好）

C. DBSTNet 消融实验（Test100）

D. ACMBNet 性能与效率

E. ACMBNet 消融实验（Rain100H）

横向对比：秦方方 vs 叶宇超

1. 基本信息

2. 方法路线对比

3. 数据集与验证对比

4. 系统对比

5. 互相印证的共性结论

6. 可互相借鉴的差异点

秦方方 2025《基于深度学习的单幅图像去雨算法研究与应用》（河南理工硕士论文）蒸馏文档