يُقدّم هذا البحث إطار عمل WARLearn، وهو إطار مبتكر مُصمم لتعلم التمثيل التكيفي في ظروف جوية صعبة ومحفّزة ضد النموذج. باستخدام مبدأ التثبيت (in-variance) المستخدم في نموذج Barlow Twins، نُظهر القدرة على نقل النماذج الحالية المدربة مسبقًا على بيانات الطقس الصافي إلى التعامل بكفاءة مع الظروف الجوية السيئة. وباستخدام تدريب إضافي ضئيل، تُظهر طريقة WARLearn تحسّنًا ملحوظًا في الأداء في السيناريوهات المميزة بضباب وظروف إضاءة منخفضة. ويُمتد تطبيق هذا الإطار التكيفي ليشمل مجالات أخرى غير الظروف الجوية السيئة، مما يقدّم حلاً مرنًا للأنظمة التي تُظهر تغيرات في توزيع البيانات. علاوةً على ذلك، يُعدّ WARLearn أداة لا غنى عنها في السيناريوهات التي تتسم بتغيرات كبيرة في توزيع البيانات مع مرور الزمن، حيث يُمكّن النماذج من البقاء محدّثة ودقيقة. تُظهر النتائج التجريبية تفوّقًا ملحوظًا، حيث حقق متوسط الدقة المتوسطة (mAP) 52.6٪ على مجموعة بيانات حقيقية غير مرئية تُعاني من الضباب (RTTS). وبالمثل، في ظروف الإضاءة المنخفضة، حقق الإطار mAP بلغ 55.7٪ على مجموعة بيانات حقيقية غير مرئية ذات إضاءة منخفضة (ExDark). ومن الملاحظ أن WARLearn يتفوّق بشكل كبير على أطر العمل الرائدة مثل FeatEnHancer وImage Adaptive YOLO وDENet وC2PNet وPairLIE وZeroDCE في الظروف الجوية السيئة، مُحسّنًا أداء النموذج الأساسي في كل من البيئات الضبابية والإضاءة المنخفضة. يُتاح كود WARLearn عبر الرابط التالي: https://github.com/ShubhamAgarwal12/WARLearn