烟雾为腔镜甲状腺手术带来了特殊的挑战，而专业数据集的缺乏严重限制了现有去雾模型在腔镜手术场景中的泛化能力。为此，本文创新性地提出了一个专用数据集——ThyroClear，该数据集来源于真实的内窥镜甲状腺手术视频，包含清晰的手术图像以及对应的有雾图像，用于去雾模型的监督训练。为了支持不同的研究需求，本研究使用K-means聚类将数据集进一步剪枝成不同大小的子集。在ThyroClear数据集的基础上，本文提出了一种多尺度通道注意力网络MSCA-Net，这是一种采用多尺度编码器-解码器框架的先进去雾模型。MSCANet集成了自适应多尺度特征融合模块AMFFM，利用自适应平均池化实现跨层特征的精准对齐，并引入压缩-激励SE模块，增强通道注意力的同时提升特征表示能力。与其他去雾模型相比，本文提出的方法在ThyroClear数据集上表现出优异的去雾性能。
