أظهرت الطرق القائمة على التعلم أداءً متقدمًا جدًا في إزالة الضباب من الصور في السنوات الأخيرة. ومع ذلك، فإن معظم الطرق الحالية تدرب نموذج إزالة الضباب على صور مشوشة مُصَنَّعة، والتي تُظهر قدرة أقل على التعميم على الصور المشوشة الحقيقية بسبب الفجوة بين المجالات (domain shift). لمعالجة هذه المشكلة، نقترح نموذجًا للتكيف بين المجالات يتكوّن من وحدة تحويل الصور ووحدتين لتحسين جودة الصور المشوشة. بشكل مفصّل، نستخدم أولاً شبكة تحويل ثنائية الاتجاه لسد الفجوة بين المجالات الاصطناعية والواقعية من خلال تحويل الصور من مجال إلى آخر. ثم، نستخدم الصور قبل وبعد التحويل لتدريب الشبكتين المُقترحتين لتحسين جودة الصور المشوشة، مع تطبيق قيد اتساق بين النتائج. في هذه المرحلة، نُدمج الصورة المشوشة الحقيقية في عملية التدريب من خلال استغلال خصائص الصورة الواضحة (مثل مبدأ القناة الداكنة والتنعيم التدريجي للصورة) لتحسين التكيّف بين المجالات. وبتدريب وحدة تحويل الصور وشبكة إزالة الضباب بشكل متكامل (end-to-end)، نحقق تحسينًا ملحوظًا في كلا العمليتين: تحويل الصور وإزالة الضباب. وأظهرت النتائج التجريبية على الصور المُصَنَّعة والواقعية أن نموذجنا يتفوّق على أحدث خوارزميات إزالة الضباب.