기존의 CNN 기반의 안개 제거 모델은 두 가지 핵심적인 문제를 겪고 있다. 첫째, 안개 제거 프레임워크 자체가 해석 가능성에 한계가 있으며, 둘째, 컨볼루션 계층이 콘텐츠에 독립적이어서 장거리 종속성 정보를 효과적으로 학습하지 못한다는 점이다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 보완적 특징 강화 프레임워크를 제안한다. 이 프레임워크는 여러 보완적 하위 과제를 통해 보완적 특징을 학습하고, 이를 종합적으로 주 작업의 성능을 향상시키는 데 활용한다. 새로운 프레임워크의 주요 장점 중 하나는 의도적으로 선택된 보완적 과제들이 약한 종속성을 가진 보완적 특징에 집중할 수 있어, 네트워크 내에서 반복적이거나 비효율적인 학습을 피할 수 있다는 점이다. 이러한 프레임워크를 기반으로 새로운 안개 제거 네트워크를 설계하였다. 구체적으로, 내재 이미지 분해(Intrinsic Image Decomposition)를 보완적 과제로 선택하였으며, 반사율 추정 및 그림자 추정 하위 과제를 통해 색상 기반 및 텍스처 기반의 보완적 특징을 추출하였다. 이러한 보완적 특징을 효과적으로 통합하기 위해, 더 유용한 특징을 선택하여 안개 제거에 활용하는 보완적 특징 선택 모듈(Complementary Features Selection Module, CFSM)을 제안하였다. 또한, 새로운 형태의 비전 트랜스포머 블록인 하이브리드 로컬-글로벌 비전 트랜스포머(Hybrid Local-Global Vision Transformer, HyLoG-ViT)를 도입하여 본 안개 제거 네트워크에 통합하였다. HyLoG-ViT 블록은 로컬 및 글로벌 비전 트랜스포머 경로를 포함하여, 로컬 및 글로벌 종속성을 동시에 캡처할 수 있도록 설계되었다. 결과적으로 HyLoG-ViT는 네트워크 내에 국소성(locality)을 도입하면서도 글로벌 및 장거리 종속성을 효과적으로 포착할 수 있게 되었다. 동질적, 비동질적, 야간 안개 제거 등 다양한 태스크에 대한 광범위한 실험 결과를 통해, 제안하는 안개 제거 네트워크가 기존 CNN 기반 모델과 비교해 유사하거나 더 우수한 성능을 달성함을 확인하였다.