In dieser Arbeit stellen wir ein end-to-end Netzwerk vor, das Cycle-Dehaze genannt wird und für das Problem der Entnebelung von einzelnen Bildern entwickelt wurde. Dabei ist keine Paarbildung aus nebligen und entsprechenden Referenzbildern zur Schulung erforderlich. Das bedeutet, wir schulen das Netzwerk mit unverbundenen klaren und nebligen Bildern. Des Weiteren basiert der vorgeschlagene Ansatz nicht auf der Schätzung der Parameter des atmosphärischen Streuungsmodells. Unsere Methode erweitert die Formulierung von CycleGAN durch die Kombination von Zykluskonsistenz- und Perzeptionsverlusten, um die Qualität der Texturinformationserholung zu verbessern und visuell bessere nebelfreie Bilder zu generieren. Typischerweise nehmen tiefes Lernalgorithmen für Entnebelung niedrige Auflösungen als Eingabe entgegen und liefern ebenfalls niedrig aufgelöste Ausgaben. Im Rahmen der NTIRE 2018 Challenge zur Entnebelung von einzelnen Bildern wurden jedoch hochaufgelöste Bilder bereitgestellt. Daher wenden wir eine bikubische Verkleinerung an. Nachdem das Netzwerk niedrig aufgelöste Ausgaben erzeugt hat, nutzen wir die Laplace-Pyramide, um die Ausgabebilder auf ihre ursprüngliche Auflösung hochzuskalen. Wir führen Experimente mit den Datensätzen NYU-Depth, I-HAZE und O-HAZE durch. Umfangreiche Experimente zeigen, dass der vorgeschlagene Ansatz sowohl quantitativ als auch qualitativ die CycleGAN-Methode verbessert.