في هذه الورقة، نقترح شبكة انتباه تكامل الميزات من الطرف إلى الطرف (FFA-Net) لإعادة بناء صورة خالية من الضباب مباشرةً. تتألف بنية FFA-Net من ثلاث مكونات رئيسية:1) وحدة انتباه الميزات (FA) المبتكرة التي تجمع بين آلية انتباه القناة (Channel Attention) وآلية انتباه البكسل (Pixel Attention)، مع الأخذ بعين الاعتبار أن الميزات المُخرَجة من القنوات المختلفة تحتوي على معلومات موزونة مختلفة تمامًا، كما أن توزيع الضباب غير منتظم على البكسلات المختلفة في الصورة. تُعامل وحدة FA الميزات والبكسلات المختلفة بشكل غير متساوٍ، مما يوفر مرونة إضافية في التعامل مع أنواع مختلفة من المعلومات، ويعزز قدرة الشبكات العصبية التلافيفية (CNNs) على التمثيل.2) هيكل كتلة أساسية تتكون من تعلم التباين المحلي (Local Residual Learning) وانتباه الميزات (FA). يسمح تعلم التباين المحلي بتجاوز المعلومات الأقل أهمية، مثل مناطق الضباب الرقيق أو المكونات ذات التردد المنخفض، من خلال اتصالات تباين محلية متعددة، مما يسمح للبنية الرئيسية للشبكة بالتركيز على المعلومات الأكثر فعالية.3) هيكل تكامل الميزات على مستويات مختلفة مبني على الانتباه (FFA)، حيث يتم تعلم أوزان الميزات تلقائيًا من وحدة انتباه الميزات (FA)، مما يمنح الأوزان الأهمية للسمات المهمة. كما يمكن لهذا الهيكل الحفاظ على معلومات الطبقات السطحية ونقلها إلى الطبقات العميقة.أظهرت النتائج التجريبية أن FFA-Net المقترحة تتفوق على الطرق السابقة الأفضل في إزالة الضباب من صورة واحدة بمقدار كبير، من حيث الأداء الكمي والكُلي، حيث رفعت أفضل قيمة منشورة لمعيار PSNR من 30.23 ديسيبل إلى 36.39 ديسيبل على مجموعة بيانات اختبار SOTS الداخلية.تم توفير الكود على منصة GitHub.