Los enfoques existentes para la eliminación de lluvia en imágenes a menudo se basan en conjuntos de datos lluviosos sintéticos o del mundo real no emparejados, lo que lleva a una capacidad de generalización subóptima al procesar la degradación de la lluvia del mundo real compleja y diversa. Para abordar estos desafíos, proponemos un nuevo modelo de fusión de detalles guiado por semántica iterativa con representaciones neuronales implícitas (INR-ISDF). Este enfoque aborda los desafíos de las variaciones del dominio de la solución compleja, reduciendo los impactos negativos habituales encontrados en estas situaciones. En primer lugar, las imágenes lluviosas de entrada se procesan a través de representaciones neuronales implícitas (INRs) para obtener imágenes normalizadas. Los cálculos residuales se utilizan luego para evaluar la inconsistencia de la iluminación causada por la degradación de la lluvia, lo que permite una identificación precisa de las ubicaciones de degradación. Posteriormente, la información de ubicación se incorpora en la rama de detalles de la arquitectura de doble rama, mientras que las imágenes normalizadas obtenidas del INR se utilizan para mejorar el procesamiento semántico. Finalmente, utilizamos pistas semánticas para guiar de forma iterativa la fusión progresiva de detalles para lograr resultados mejorados en el procesamiento de imágenes. Para abordar la correspondencia parcial entre las imágenes reales de lluvia y la verdad terrenal dada, proponemos una estrategia de entrenamiento de dos etapas que utiliza ajustes en los coeficientes de la función de pérdida semántica y la congelación por fases de la rama de detalles para evitar posibles problemas de sobreajuste. Experimentos extensos verifican la efectividad de nuestro método propuesto en la eliminación de la degradación en imágenes lluviosas del mundo real.