في هذا البحث، نقدم شبكة شاملة تسمى Cycle-Dehaze لمشكلة إزالة الضباب من الصورة الواحدة، والتي لا تتطلب أزواجًا من الصور الضبابية والصور المرجعية المقابلة لها للتدريب. بمعنى آخر، نقوم بتدريب الشبكة بتقديم صور نظيفة وضبابية بطريقة غير مترابطة. بالإضافة إلى ذلك، فإن النهج المقترح لا يعتمد على تقدير معلمات نموذج التشتت الجوي. طريقتنا تعزز صياغة CycleGAN من خلال دمج الخسائر الدورية والخسائر الحسية بهدف تحسين جودة استعادة المعلومات النسيجية وإنتاج صور خالية من الضباب ذات جودة بصرية أفضل. عادةً، تأخذ نماذج التعلم العميق لإزالة الضباب صورًا ذات دقة منخفضة كمدخلات وتنتج مخرجات ذات دقة منخفضة أيضًا. ومع ذلك، في تحدي NTIRE 2018 لإزالة الضباب من الصورة الواحدة، تم تقديم صور ذات دقة عالية. لذلك، نطبق تقليص الدقة الثنائي المكعب (bicubic downscaling). بعد الحصول على مخرجات ذات دقة منخفضة من الشبكة، نستخدم الهرم اللابلاسياني لتكبير الصور المخرجة إلى الدقة الأصلية. نجري التجارب على مجموعات البيانات NYU-Depth و I-HAZE و O-HAZE. تظهر التجارب الواسعة أن النهج المقترح يحسن طريقة CycleGAN بشكل كمي وكيفي.