La imagen de desempañado representa un área dinámica de investigación en visión por computadora. Con el desarrollo exponencial del aprendizaje profundo, en particular las redes neuronales convolucionales (CNN), han surgido técnicas innovadoras y efectivas de desempañado de imágenes. Sin embargo, en marcado contraste con la mayoría de las tareas de visión por computadora que emplean CNN, la salida de un modelo de desempañado a menudo se trata como ruido no informativo, a pesar de que los filtros del modelo están diseñados para extraer características pertinentes de las imágenes. El enfoque estándar de modelos de extremo a extremo para desempañado implica la eliminación de ruido de la imagen brumosa para obtener una clara. En consecuencia, la capacidad de desempañado del modelo disminuye, ya que el ruido se filtra progresivamente a lo largo de la fase de propagación. Esto lleva a la concepción de la red de reducción de características (FRNet), que es una arquitectura distintiva de CNN que elimina incrementalmente características informativas, resultando en la salida de ruido. Nuestros resultados experimentales indican que el FRNet impulsado por CNN supera los métodos anteriores de última generación (SOTA) en términos de la métrica de evaluación del índice de relación señal a ruido pico (PSNR) y de similitud estructural (SSIM). Esto destaca la efectividad del FRNet en varios conjuntos de datos de desempañado de imágenes. Con su menor sobrecarga, el FRNet basado en CNN demuestra un rendimiento superior a los métodos actuales de última generación, confirmando así la eficacia de las CNN en tareas de desempañado de imágenes.