单幅图像去雨任务的一个关键挑战是在完全去除雨痕的同时仍然保留准确的图像细节。由于雨痕和背景场景细节之间的固有重叠与相似,在消除雨痕的时候,纹理细节会不可避免地丢失,这使得图像去雨任务的两个目的相互矛盾。现有的基于深度学习的方法试图在一个级联框架中同时解决这两个问题,或者将它们作为平行结构中的两个独立任务分别解决。然而,没有一个现有的方法能探索雨水分布与隐藏特征响应之间的联系与作用。使用雨水分布对隐藏特征响应进行改进能提供更多的线索来促进雨痕的消除和细节的恢复。本文研究了雨水检测对单幅图像去雨的影响,并提出了一个新颖的具有双重激励模块的深度网络,名为双重激励模块的图像去雨网络。本文提出的双重激励模块的图像去雨网络利用两个网络分支来分别进行雨点的估计和细节的恢复,同时还额外预测一个掩码表示雨点的位置和强度。特别地,该掩码作用于一个定制的激励模块,该激励模块部署在本文提出的两个网络分支中,用于指导网络专注于有雨区域的雨痕清除和细节恢复而不是关注无雨的区域。此外,我们加入了一个自定进度的半课程学习策略,以缓解因预测雨点掩码而带来的学习上的模糊性,从而加速训练过程。大量的实验表明,在合成和真实世界的场景中,本文所提出的方法在几个基准数据集上的表现均优于现有最先进的方法。本文还通过联合的单幅图像去雨、检测和分割的任务验证该方法的有效性。