단일 이미지 흐림 제거는 관측된 안개 이미지로부터 잠재적인 안개 없는 이미지를 추정하는 도전적인 부정확한 문제이다. 기존의 일부 딥러닝 기반 방법들은 컨볼루션의 깊이 또는 너비를 증가시켜 모델 성능을 향상시키는 데 주력해왔다. 그러나 컨볼루션 신경망(CNN) 구조의 학습 능력은 여전히 충분히 탐구되지 않았다. 본 논문에서는 세부 정보 강화 컨볼루션(DEConv)과 콘텐츠 가이드 애티튜드(CGA)로 구성된 세부 정보 강화 주의 블록(DEAB)을 제안하여, 흐림 제거 성능을 향상시키기 위한 특징 학습을 강화한다. 구체적으로, DEConv는 일반 컨볼루션 층에 사전 지식을 통합하여 표현력과 일반화 능력을 향상시킨다. 이후 재패러미터화 기법을 사용해 DEConv를 추가 파라미터나 계산 비용 없이 일반적인 컨볼루션으로 동등하게 변환할 수 있다. 각 채널에 고유한 공간적 중요도 맵(SIM)을 할당함으로써, CGA는 특징 내에 인코딩된 보다 유용한 정보에 주목할 수 있다. 또한, CGA 기반의 미크업 융합 방식을 제안하여 특징을 효과적으로 융합하고 기울기 흐름을 촉진한다. 위에서 언급한 구성 요소들을 결합하여, 고품질의 안개 없는 이미지를 복원하기 위한 세부 정보 강화 주의 네트워크(DEA-Net)를 제안한다. 광범위한 실험 결과는 본 DEA-Net의 효과성을 입증하며, 상태의 경계(SOTA) 기법들을 능가하여 PSNR 지수를 41 dB 이상 향상시키면서도 단지 3.653M의 파라미터만을 사용한다. 본 DEA-Net의 소스 코드는 https://github.com/cecret3350/DEA-Net 에서 공개될 예정이다.