بالنظر إلى طبيعة المشكلة غير المحددة بشكل جيد، تم تطوير الت régularisation التباينية للإزالة الفردية للضباب من الصور، حيث تم إدخال معلومات من الصور السلبية كحد أدنى. ومع ذلك، فإن العينات التباينية ليست متفقة، حيث تمثل الصور السلبية عادةً على بعد بعيد عن الصورة الواضحة (أي الصورة الموجبة)، مما يترك الفضاء الحلول غير محدود بشكل كافٍ. علاوةً على ذلك، لا تزال قابلية تفسير نماذج إزالة الضباب العميقة غير مُستكشفة بشكل كافٍ من منظور الفيزياء الخاصة بعملية الضباب. في هذا البحث، نقترح ت régularisation تباينية جديدة مُصممة لفضاء تبايني متفق عليه، على عكس الفضاء التبايني غير المتفق عليه. يمكن تجميع صورنا السلبية، التي توفر قيودًا أقل منخفضة أفضل، من: 1) الصورة الضبابية، و2) عمليات الإصلاح المقابلة باستخدام طرق موجودة مسبقًا. علاوةً على ذلك، نظرًا لاختلاف درجات التشابه بين تمثيلات الصورة الواضحة والصور السلبية، يكون التوازن في صعوبة التعلم بين المكونات المتعددة مُتأصلًا بشكل غير متساوٍ. ولحل هذه المشكلة، نطبّق استراتيجية تعلم منهجي مخصصة لإعادة توزين أهمية الصور السلبية المختلفة. بالإضافة إلى ذلك، لتحسين قابلية التفسير في فضاء الميزات، نُنشئ وحدة ثنائية الفرع مُستندة إلى نموذج انتشار الغلاف الجوي. وباستخدام هذه الوحدة إلى جانب الت régularisation التباينية المُدرَّسة، نُنشئ شبكتنا لإزالة الضباب، والتي تُسمى C2PNet. تُظهر التجارب الواسعة أن C2PNet تتفوّق بشكل كبير على أحدث الطرق، مع تحقيق ارتفاعات متطرفة في مؤشر PSNR تبلغ 3.94 ديسيبل و1.50 ديسيبل، على التوالي، في مجموعتي بيانات SOTS-indoor وSOTS-outdoor.