La eliminación de neblina en imágenes de teledetección presenta desafíos sustanciales al equilibrar la fidelidad física con la flexibilidad generativa, particularmente bajo condiciones atmosféricas complejas y patrones de degradación específicos del sensor. Los métodos tradicionales basados en la física a menudo luchan con distribuciones de neblina no lineales, mientras que los enfoques puramente basados en datos tienden a carecer de interpretabilidad y consistencia física. Para cerrar esta brecha, proponemos el (ASPDiff), un nuevo marco que integra sin problemas la física atmosférica en el proceso de restauración generativa basado en difusión. ASPDiff establece un mecanismo de retroalimentación en bucle cerrado al incorporar el modelo de dispersión atmosférica como una regularización impulsada por la física a lo largo de la simulación de degradación hacia adelante y la trayectoria de desruido inverso. El marco opera a través de los siguientes tres componentes sinérgicos: (1) un Módulo de Estimación de Prior Atmosférico que utiliza el Prior del Canal Oscuro para generar estimaciones iniciales del mapa de transmisión y la luz atmosférica global, que luego se refinan a través de redes de ajuste aprendibles; (2) un Proceso de Difusión con Incorporación de Prior Atmosférico, donde los priors refinados sirven como guía condicional durante el muestreo de difusión inversa, asegurando plausibilidad física; y (3) un Módulo de Refinamiento Consciente de la Neblina que mejora adaptativamente los detalles estructurales y compensa la neblina residual a través de una descomposición consciente de la frecuencia y atención espacial. Experimentos extensivos en conjuntos de datos de teledetección sintéticos y del mundo real demuestran que ASPDiff supera significativamente a los métodos existentes, logrando un rendimiento de vanguardia mientras mantiene una fuerte interpretabilidad física.