يهدف إزالة الضباب من الصور إلى استعادة وضوح الصورة وجودة الرؤية من خلال تقليل آثار التشتت والامتصاص الجوي. رغم أن التعلم العميق قد أحرز تقدمًا كبيرًا في هذا المجال، فإن العديد من الطرق أصبحت مقيدة بعمق الشبكة. نتيجة لذلك، اعتمدت العديد من الأساليب استراتيجيات الفروع المتوازية. ومع ذلك، غالبًا ما تركز هذه الأساليب على جوانب مثل الدقة، مجال الاستقبال، أو تقسيم المجال الترددي دون تقسيم الفروع بشكل ديناميكي بناءً على توزيع الخصائص المدخلة. مستوحىً من التصفية الديناميكية، نقترح استخدام مرشحات ديناميكية متتابعة لإنشاء شبكة متعددة الفروع عن طريق توليد نوى المرشحات بشكل ديناميكي بناءً على توزيع خرائط الخصائص. لمعالجة خصائص الفروع بشكل أفضل، نقترح كتلة متعددة المقاييس ذاتية (RMB)، والتي تجمع بين مجالات الاستقبال المختلفة. بالإضافة إلى ذلك، نقدم أيضًا طريقة الاندماج المحلي القائم على الت💬ل ديناميكي لدمج الخصائص من الفروع المجاورة. أثبتت التجارب على مجموعات البيانات RESIDE و Haze4K و O-Haze فعالية طريقتنا، حيث حقق نموذجنا نسبة PSNR قدرها 43.21 ديسيبل على مجموعة بيانات RESIDE-Indoor. يمكن الحصول على الكود من الرابط https://github.com/dauing/CasDyF-Net.