La reconnaissance visuelle robuste dans des conditions météorologiques défavorables revêt une importance capitale dans les applications du monde réel. Dans ce contexte, nous proposons une nouvelle méthode pour apprendre des modèles de segmentation sémantique résistants au brouillard. L'idée centrale consiste à considérer l'état de brouillard d'une image comme son style, et à réduire l'écart entre les images présentant différentes conditions de brouillard dans l'espace de style des modèles de segmentation. En particulier, comme le style d'une image est généralement influencé par plusieurs facteurs en plus du brouillard, nous introduisons un module de filtre passe-brouillard, conçu pour extraire de manière apprise un facteur pertinent au brouillard à partir du style. L'optimisation itérative du filtre passe-brouillard et du modèle de segmentation permet progressivement de réduire l'écart de style entre différentes conditions de brouillard, permettant ainsi d'apprendre des caractéristiques invariantes au brouillard. Notre méthode dépasse de manière significative les approches antérieures sur trois jeux de données réels d'images brumeuses. En outre, elle améliore les performances aussi bien sur les images brumeuses que sur les images en conditions claires, tandis que les méthodes existantes dégradent souvent les résultats sur les scènes sans brouillard.