Die Entfernung von Nebel aus einem einzelnen Bild ist ein herausforderndes, schlecht gestelltes Problem. Bestehende Methoden verwenden verschiedene Einschränkungen/Vorwissen, um plausibel entnebelte Lösungen zu erzielen. Der Schlüssel zur erfolgreichen Entfernung von Nebel besteht darin, eine Medienübertragungskarte für ein eingegebenes nebeliges Bild zu schätzen. In dieser Arbeit schlagen wir ein trainierbares End-to-End-System vor, das DehazeNet genannt wird, für die Schätzung der Medienübertragung. DehazeNet nimmt ein nebeliges Bild als Eingabe entgegen und gibt dessen Medienübertragungskarte aus, die anschließend verwendet wird, um ein nebelfreies Bild durch das atmosphärische Streuungsmodell wiederherzustellen. DehazeNet nutzt eine auf Convolutional Neural Networks (CNN) basierende tiefere Architektur, deren Schichten speziell entwickelt wurden, um die etablierten Annahmen/Vorwissen in der Bildentnebelung zu berücksichtigen. Insbesondere werden Schichten mit Maxout-Einheiten für die Merkmalsextraktion verwendet, die fast alle nebelrelevanten Merkmale generieren können. Wir schlagen außerdem eine neuartige nichtlineare Aktivierungsfunktion in DehazeNet vor, die Bilateral Rectified Linear Unit (BReLU) genannt wird und in der Lage ist, die Qualität des wiederhergestellten nebelfreien Bildes zu verbessern. Wir legen Verbindungen zwischen den Komponenten des vorgeschlagenen DehazeNet und denen herkömmlicher Methoden fest. Experimente mit Benchmark-Bildern zeigen, dass DehazeNet eine überlegene Leistung im Vergleich zu bestehenden Methoden erzielt und gleichzeitig effizient und einfach zu handhaben ist.