Los sistemas de inspección por fuga de flujo magnético (MFL) se utilizan ampliamente para detectar defectos en tuberías en sitios industriales. Sin embargo, las señales de MFL adquiridas se ven afectadas por ruido de campo, como interferencia electromagnética y vibraciones mecánicas, que degradan el rendimiento de los modelos desarrollados. Además, el tipo o intensidad del ruido es desconocido o cambia dinámicamente durante la fase de prueba en contraste con la fase de entrenamiento. Para abordar los desafíos anteriores, este documento presenta un nuevo marco de aprendizaje profundo resistente al ruido para eliminar el componente de ruido en la señal original y aprender su representación de características invariables al ruido. Esto puede manejar el patrón de ruido no visto y mitigar el impacto de los ruidos dinámicos en los sistemas de inspección de MFL. Específicamente, proponemos una arquitectura basada en transformadores para el filtrado de ruido, que codifica las señales de entrada ruidosas en un espacio latente y las reconstruye en señales limpias. También diseñamos un bloque de filtrado de ruido de muestreo ascendente-descendente para filtrar mejor el componente de ruido y generar una representación invariante al ruido para la detección de defectos de soldadura. Finalmente, experimentos extensos demuestran que el enfoque propuesto mejora efectivamente la precisión de detección bajo condiciones de ruido estático y dinámico, resaltando su valor en aplicaciones industriales del mundo real.