Schnee ist ein hochkomplexes atmosphärisches Phänomen, das gewöhnlich Schneeflocken, Schneestreifen und einen verschleiernden Effekt (ähnlich Dunst oder Nebel) enthält. In dieser Arbeit stellen wir einen Algorithmus zur Einzeln-Bild-Entschneierung vor, um die Vielfalt der Schneepartikel hinsichtlich Form und Größe zu bewältigen. Zunächst verwenden wir zur besseren Darstellung der komplexen Schneeform die Dual-Tree-Wellenlettransformierung und schlagen eine komplexe Wellenletverlustfunktion im Netzwerk vor. Zweitens führen wir in unserem Netzwerk ein hierarchisches Zerlegungsschema ein, um die unterschiedlichen Größen von Schneepartikeln besser zu erfassen. Drittens führen wir eine neue Merkmalsart namens „Widerspruchskanal“ (Contradict Channel, CC) für Schneeszenerien ein. Wir beobachten, dass Regionen mit Schneepartikeln tendenziell höhere Intensität im CC aufweisen als schneefreie Bereiche. Wir nutzen diese differenzierende Eigenschaft, um eine Widerspruchskanallösung zu konstruieren, die die Leistung der Schneentfernung verbessert. Darüber hinaus, aufgrund der Beschränkungen bestehender Schneedatensätze, schlagen wir einen großskaligen Datensatz namens Comprehensive Snow Dataset (CSD) vor, um Schneeszenarien umfassend zu simulieren. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Ansatz bestehende Methoden sowohl auf drei synthetischen als auch auf realen Datensätzen signifikant übertrifft. Der Quellcode und der Datensatz sind unter https://github.com/weitingchen83/ICCV2021-Single-Image-Desnowing-HDCWNet verfügbar.