إزالة الضباب من صورة واحدة تمثل مشكلة صعبة وغير محددة (ill-posed) تهدف إلى تقدير صور خالية من الضباب من صور مغطاة بالضباب. تسعى بعض الأساليب القائمة على التعلم العميق إلى تحسين أداء النموذج من خلال زيادة عمق أو عرض الشبكات التلافيفية (convolutional). ومع ذلك، لا يزال بإمكانية التعلم في بنية الشبكة العصبية التلافيفية (CNN) غير مستغلة بالكامل. في هذه الورقة، نقترح كتلة انتباه مُحسَّنة بالتفاصيل (DEAB)، التي تتكون من التلافيف المُحسَّن بالتفاصيل (DEConv) والانتباه الموجه بالمحتوى (CGA)، بهدف تعزيز تعلم الميزات وتحسين أداء إزالة الضباب. بشكل محدد، يُدمج DEConv في طبقة التلافيف العادية معلومات مسبقة لتعزيز قدرة التمثيل والقدرة على التعميم. ثم، باستخدام تقنية إعادة التكوين (re-parameterization)، يتم تحويل DEConv إلى تلافيف عادي (vanilla convolution) دون إضافة معلمات أو تكاليف حسابية إضافية. وبتعيين خريطة أهمية فضائية فريدة (SIM) لكل قناة، يمكن لـ CGA التركيز على المعلومات الأكثر فائدة المضمنة في الميزات. بالإضافة إلى ذلك، نقدم خطة دمج مبنية على CGA (CGA-based mixup fusion scheme) لدمج الميزات بشكل فعّال ودعم تدفق التدرجات (gradient flow). من خلال دمج المكونات المذكورة أعلاه، نقترح شبكة DE-Net المُحسَّنة بالتفاصيل (DEA-Net) لإعادة بناء صور عالية الجودة خالية من الضباب. تُظهر النتائج التجريبية الواسعة فعالية DEA-Net، حيث تفوق الطرق الحالية (SOTA) بزيادة مؤشر PSNR بأكثر من 41 ديسيبل باستخدام فقط 3.653 مليون معلمة. سيتم إتاحة كود المصدر الخاص بـ DEA-Net على الرابط التالي: https://github.com/cecret3350/DEA-Net.