Die Entnebelung einzelner Bilder ist eine entscheidende Phase in vielen modernen autonomen Visionssystemen. Frühere, auf Vorwissen basierende Methoden beinhalteten oft einen zeitaufwendigen Minimierungsprozess einer manuell gestalteten Energiefunktion. Neuere, lernbasierte Ansätze nutzen die Darstellungskraft tiefer neuronaler Netze (DNNs), um die zugrunde liegende Transformation zwischen nebligen und klaren Bildern zu erlernen. Aufgrund der inhärenten Einschränkungen bei der Erfassung von übereinstimmenden klaren und nebligen Bildern greifen diese Methoden auf synthetische Daten zurück, die aus Innenraumbildern und entsprechenden Tiefeninformationen konstruiert werden. Dies kann zu einem möglichen Domänenversatz führen, wenn es um Außenszenarien geht. Wir schlagen eine vollständig unüberwachte Trainingsmethode vor, die durch die Minimierung der bekannten Energiefunktion des Dark Channel Priors (DCP) arbeitet. Anstatt das Netzwerk mit synthetischen Daten zu füttern, verwenden wir ausschließlich reale Außenaufnahmen und passen die Netzwerkpameter direkt durch die Minimierung des DCP an. Obwohl unsere „Deep DCP“-Technik als schneller Approximator des DCP angesehen werden kann, verbessert sie tatsächlich die Ergebnisse erheblich. Dies deutet auf eine zusätzliche Regularisierung hin, die durch das Netzwerk und den Lernprozess erreicht wird. Experimente zeigen, dass unsere Methode mit großen überwachten Methoden gleichwertige Leistungen erzielt.