Die Bildentnebelung (Image dehazing) zielt darauf ab, den unverfälschten Inhalt aus einem nebeligen Bild wiederherzustellen. Anstatt traditionelle Low-Level- oder manuell gestaltete Bildpriors als Wiederherstellungseinschränkungen zu nutzen, wie z.B. dunkle Kanäle und erhöhten Kontrast, schlagen wir ein end-to-end-gates Netzwerk zur kontextuellen Aggregation vor, um das endgültige nebelfreie Bild direkt wiederherzustellen. In diesem Netzwerk verwenden wir die neueste glättende Dilatationstechnik, um die durch die weit verbreitete dilatierte Faltung verursachten Rasterartefakte bei vernachlässigbaren zusätzlichen Parametern zu entfernen, und nutzen ein gates Unter-Netzwerk, um die Merkmale von verschiedenen Ebenen zu fusionieren. Ausführliche Experimente zeigen, dass unsere Methode sowohl quantitativ als auch qualitativ deutlich über frühere Stand der Technik Methoden hinausgeht. Darüber hinaus demonstrieren wir die Allgemeingültigkeit der vorgeschlagenen Methode, indem wir sie auf die Aufgabe der Regenentfernung aus Bildern (image deraining) anwenden, wobei ebenfalls eine Stand-der-Technik-Leistung erzielt wird. Der Quellcode ist unter https://github.com/cddlyf/GCANet verfügbar.