单图像去雾是许多现代自主视觉应用中的关键步骤。早期基于先验的方法通常涉及手工设计的能量函数的时间消耗最小化过程。近年来，基于学习的方法利用深度神经网络（DNNs）的表示能力来学习雾天图像与清晰图像之间的潜在转换关系。由于收集匹配的清晰和雾天图像存在固有的局限性，这些方法往往依赖于合成数据进行训练；这些合成数据由室内图像及其对应的深度信息构建而成。然而，这可能导致在处理室外场景时出现域偏移问题。我们提出了一种完全无监督的训练方法，通过最小化广为人知的暗通道先验（Dark Channel Prior, DCP）能量函数来实现。该方法不使用合成数据，而是仅使用真实世界的室外图像，并通过直接最小化DCP来调整网络参数。尽管我们的“深度DCP”技术可以被视为DCP的快速近似器，但实际上它显著提升了去雾效果。这表明网络和学习过程中获得了额外的正则化作用。实验结果表明，我们的方法在性能上与大规模监督方法相当。