La restauración de imágenes bajo condiciones climáticas adversas plantea una tarea desafiante. Los esfuerzos de investigación anteriores se han centrado predominantemente en la eliminación de fenómenos de lluvia y niebla de las imágenes. Sin embargo, la nieve, como otra ocurrencia atmosférica común, también impacta significativamente tareas avanzadas de visión por computadora como la detección de objetos y la segmentación semántica. Recientemente, ha habido un aumento de métodos que apuntan específicamente a la eliminación de nieve, con la mayoría empleando Transformadores visuales como la red principal para mejorar la efectividad de la restauración. Sin embargo, debido a los cálculos cuadráticos requeridos por los Transformadores para modelar dependencias a larga distancia, esto aumenta significativamente el tiempo y el consumo de espacio de los modelos de aprendizaje profundo. Para abordar este problema, este artículo propone un Transformador eficiente para la eliminación de nieve con una red de ventana global (SGNet). Este método prescinde de la estrategia de ventana localizada de los Transformadores visuales anteriores, optando en su lugar por dividir la imagen en múltiples subimágenes de baja resolución que contienen información global utilizando muestreo de wavelet, asegurando así un rendimiento más alto mientras se reduce la sobrecarga computacional. Experimentos extensos demuestran que nuestro enfoque logra un rendimiento sobresaliente en una amplia gama de conjuntos de datos de referencia y puede rivalizar con métodos que emplean CNN en términos de costo computacional.