Recientemente, los métodos supervisados de aprendizaje profundo han sido ampliamente utilizados para la eliminación de neblina en imágenes. Estos métodos se basan en datos de entrenamiento que se asume son apropiados. Sin embargo, esta suposición no siempre es verdadera. Observamos que algunos datos pueden contener imágenes de referencia (GT) con neblina. Esto puede llevar a que los modelos supervisados de eliminación de neblina en imágenes profundas (SDID) aprendan un mapeo inapropiado entre imágenes con neblina e imágenes GT, lo que afecta negativamente el rendimiento de eliminación de neblina. Para abordar este problema, se deben resolver dos dificultades. Una es estimar el nivel de neblina en una imagen, y la otra es desarrollar un indicador de nivel de neblina para discriminar imágenes claras y con neblina. Con este fin, propusimos un esquema de estimación de nivel de neblina (HLE) basado en el canal oscuro previo y un indicador de nivel de neblina correspondiente para la limpieza de datos de entrenamiento, es decir, para excluir pares de imágenes con imágenes GT con neblina en el conjunto de datos. Con la limpieza de datos por el HLE, introdujimos un marco SDID para evitar el aprendizaje inapropiado y así mejorar el rendimiento de eliminación de neblina. Para verificar el marco, se realizaron experimentos con tres tipos de modelos SDID, es decir, GCAN, REFN y cGAN, utilizando el conjunto de datos RESIDE. Los resultados muestran que nuestro método puede mejorar significativamente el rendimiento de eliminación de neblina de los tres modelos SDID. Subjetivamente, el método propuesto generalmente proporciona una mejor calidad visual. Objetivamente, nuestro método, utilizando menos pares de imágenes de entrenamiento, fue capaz de mejorar el PSNR en los modelos GCAN, REFN y cGAN en 3.10 dB, 5.74 dB y 6.44 dB, respectivamente. Además, nuestro método fue evaluado utilizando un conjunto de datos del mundo real, KeDeMa. Los resultados indican que la mejor calidad visual de las imágenes despejadas es generalmente para los modelos con el esquema de limpieza de datos propuesto. Los resultados demuestran que el método propuesto mejora de manera efectiva y eficiente el rendimiento de eliminación de neblina en los ejemplos dados. La importancia práctica de esta investigación es proporcionar una forma fácil pero efectiva, es decir, el esquema de limpieza de datos propuesto, para mejorar el rendimiento de los modelos SDID.