رغم التقدم الأخير في تحسين كفاءة إزالة الضبابية من الصور، تظل القدرة المحدودة على التفكيك عائقًا يحد من الحد الأقصى للأداء في الطرق الرائدة (SOTA). تقدم هذه الورقة عملًا رائدًا، يُسمى مُفكك قابل للعكس بخروج تكيفي للقطع (AdaRevD)، لاستكشاف هذه القدرة المحدودة على التفكيك. من خلال اعتماد أوزان المُشفِّر المُدرَّب جيدًا، نعيد هيكلة مُفكِّك قابل للعكس، مما يمكّن من توسيع تدريب المُفكِّك الفردي إلى تدريب متعدد المُفكِّكات مع الحفاظ على كفاءة استخدام ذاكرة GPU. في الوقت نفسه، نُظهر أن هيكلنا القابل للعكس يتميز بفصل تدريجي بين درجة التدهور عالية المستوى ونمط الضبابية منخفض المستوى (الباقية في الصورة الضبابية مقابل نسخة صورة واضحة مماثلة) من تمثيل مدمج للتدهور. علاوة على ذلك، نظرًا لوجود نوى ضبابية حركية متغيرة مكانيًا، تختلف صعوبة إزالة الضبابية بين القطع المختلفة. لذا، نُدخل تصنيفًا لتعلم درجة التدهور في كل قطعة صورية، مما يسمح لها بالخروج من مُفكِّكات فرعية مختلفة، وبالتالي تسريع العملية. تُظهر التجارب أن AdaRevD يُحدث حدًا جديدًا في إزالة ضبابية الصور، حيث تصل إلى 34.60 ديسيبل في معيار PSNR على مجموعة بيانات GoPro.