چکیده: رفع تاری از تصاویر رنگی یکی از چالش‌های مهم در حوزه بینایی ماشین و پردازش تصویر است. تاری در تصاویر ممکن است به دلایل مختلفی مانند حرکت دوربین یا هدف، شرایط نوری نامناسب و یا خطاهای دیگر رخ دهد. این مسئله نه‌تنها کیفیت بصری تصاویر را کاهش می‌دهد، بلکه می‌تواند عملکرد الگوریتم‌های پردازش تصویر و تشخیص الگو را نیز تحت‌تأثیر قرار دهد. ازاین‌رو، بازسازی تصاویر شفاف از تصاویر تار به‌عنوان یک مسئله مهم و کاربردی در نظر گرفته می‌شود. در این پژوهش، هدف اصلی ما توسعه روشی کارآمد برای رفع تاری از تصاویر رنگی با استفاده از دانش پیشین تصاویر بوده است. به همین منظور، یک شبکه عصبی عمیق با معماری SqueezeUNet پیشنهاد شده است. این معماری با ترکیب ویژگی‌های معماری فشرده SqueezeNet و قدرت بازسازی شبکه UNet، توانسته است بهبود قابل‌توجهی در بازسازی تصاویر شفاف از تصاویر تار ارائه دهد. روش پیشنهادی با کاهش پیچیدگی مدل و استفاده بهینه از منابع محاسباتی، درحالی‌که همچنان قادر به حفظ دقت بالای بازیابی تصویر است، طراحی شده است. برای ارزیابی عملکرد روش پیشنهادی، از مجموعه‌داده‌هایGoPro که شامل 2103 تصویر شفاف و 2103 تصویر تار است، استفاده شده است. آزمایش‌ها در محیط پایتون 3 انجام شده و نتایج به دست آمده نشان‌دهنده‌ی عملکرد برجسته مدل در بازسازی تصاویر است. به طور خاص، روش پیشنهادی توانست به مقادیرPSNR برابر با 33.47 و SSIM برابر با 0.958 دست یابد. این نتایج نشان می‌دهد که مدل SqueezeUNet در بازسازی تصاویر شفاف از تصاویر تار موفق بوده است.