بسبب التدهورات الثلجية المتنوعة والمعقدة، فإن إزالة الثلج من الصورة الواحدة هي مهمة استعادة صورية صعبة. نظرًا لعدم قدرة الطرق السابقة على التعامل معها بشكل مثالي، نقترح طرازًا جديدًا يُعرف بـ SnowFormer، والذي يستكشف انتباهات متقاطعة فعالة لبناء تفاعل سياق محلي-عالمي عبر الأجزاء ويتخطى الأعمال الحالية التي تعتمد على المشغلين المحليين أو المتحولات التقليدية. بالمقارنة مع طرق إزالة الثلج السابقة والطرق الشاملة لاستعادة الصور، يتمتع SnowFormer بعدة مزايا. أولاً، على عكس الانتباه الذاتي متعدد الرؤوس في المتحولات البصرية الحديثة لإستعادة الصور، يدمج SnowFormer آلية الانتباه المتقاطع متعدد الرؤوس لأداء تفاعل السياق المحلي-العالمي بين الاستعلامات الثلجية الواعية للحجم والمتجهات المحلية للأجزاء. ثانياً، يتم إنشاء الاستعلامات الثلجية في SnowFormer بواسطة مولد الاستعلامات من الخصائص الواعية للحجم المجمعة، والتي تحتوي على مؤشرات نظيفة محتملة غنية، مما يؤدي إلى نتائج استعادة أفضل. ثالثاً، يتفوق SnowFormer على شبكات إزالة الثلج المتقدمة وأحدث المتحولات الشائعة لاستعادة الصور الشاملة في ستة مجموعات بيانات اصطناعية وحقيقية. تم إطلاق الكود في \url{https://github.com/Ephemeral182/SnowFormer}.