在下雨天气获取图像时往往会在图像中产生雨痕,导致图像中的物体信息被破坏。这可能会导致后续计算机视觉系统的性能下降或者让拍摄者获取不到理想中的照片。要从单一图片中去除雨水痕迹是一项非常具有挑战性的任务,因为这是一个高度不适定的问题,可能存在着多组解。虽然目前使用合成数据集训练的深度神经网络在一些场景中取得不错的效果,但模型的泛化性能不足仍然是最大的问题。本文通过调研分析发现了其中一个造成泛化性能不足的原因,并针对这一点设计了一个泛化性能更强的网络。在调研相关工作时,本文发现几乎所有的深度学习方法都通过预测雨痕残差,然后通过与输入图像相减得到干净背景。虽然雨痕残差层大部分值更接近零,根据残差学习理论深度神经网络学习这种更接近零的映射会更容易。但是本文发现在雨痕残差层中高残差值的像素数量非常少,相对残差值接近零的像素数量几乎不存在。这会容易导致深度网络对合成数据集中的高残差值雨痕模式过拟合,并且无法很好地处理真实场景下的高残差值雨痕模式。虽然这些高残差值雨痕数量少,但由于对比度高,对结构的破坏通常更加明显。本文发现如果使用直接预测背景的方式,由于这些高残差值雨痕位置原本的背景像素值更接近零,新映射变得更容易学习,更利于图像结构的修复。而且使用背景标签能够让网络学习到与图像中物体相关的语义信息特征图,能够辅助严重受损区域进行信息重建。对比实验证明了预测背景相比于预测残差的方式对真实雨痕的处理有更强泛化性。虽然预测背景的方式有更强泛化性,但是其不足的地方在于容易造成细节信息丢失或者模糊。受到传统方法中一种使用背景层和雨痕层相互优化的方式启发,本文提出了一个雨痕残差和背景耦合预测的网络。通过雨痕标签提供指导,让网络减少在预测的背景中对于类似雨痕细节的误删除。为了让网络注意那些更需要修复或者有助于修复的区域,本文提出一个可分离元素注意力机制。这是通过一个通道注意力分支和空间注意力分支计算后再合并得到。由于其计算量和参数不多,可以嵌入到网络内的所有模块中。实验结果表明本文提出的网络相比之前专注于图像去雨痕的网络,不管在合成数据集的评测以及真实数据集的视觉效果上都取得更好的效果。