Wir schlagen eine neue end-to-end Methode zur Entnebelung von Einzelbildern vor, die als Dicht verbundenes Pyramiden-Entnebelungsnetzwerk (Dichtes Verbundenes Pyramiden-Entnebelungsnetzwerk, DCPDN) bezeichnet wird. Diese Methode kann das Transmissionsfeld, das atmosphärische Licht und die Entnebelung gemeinsam lernen. Das end-to-end Lernen wird durch direktes Einbetten des atmosphärischen Streuungsmodells in das Netzwerk erreicht, wodurch sichergestellt wird, dass die vorgeschlagene Methode streng dem physikgesteuerten Streuungsmodell für die Entnebelung folgt. Inspiriert von dichten Netzen, die den Informationsfluss entlang von Merkmalen auf verschiedenen Ebenen maximieren können, schlagen wir eine neue kantenbewahrende Struktur mit einem dicht verbundenen Encoder-Decoder und einem mehrstufigen Pyramid-Pooling-Modul zum Schätzen des Transmissionsfeldes vor. Dieses Netzwerk wird unter Verwendung einer neu eingeführten kantenbewahrenden Verlustfunktion optimiert. Um zusätzliche gegenseitige strukturelle Informationen zwischen dem geschätzten Transmissionsfeld und dem entnebelten Ergebnis zu integrieren, schlagen wir einen gemeinsamen Diskriminator basierend auf der Generativen Adversarischen Netzwerke-Framework (Generative Adversarial Networks, GAN) vor, um zu entscheiden, ob das entsprechende entnebelte Bild und das geschätzte Transmissionsfeld echt oder gefälscht sind. Eine Ablationsstudie wurde durchgeführt, um die Effektivität jedes Moduls sowohl im geschätzten Transmissionsfeld als auch im entnebelten Ergebnis zu demonstrierieren. Ausführliche Experimente zeigen, dass die vorgeschlagene Methode erhebliche Verbesserungen gegenüber den Stand der Technik Methoden erzielt. Der Quellcode wird unter folgender URL verfügbar gemacht: https://github.com/hezhangsprinter