Die Bildentnebelung ist eine entscheidende Aufgabe der Bildvorverarbeitung, die darauf abzielt, die durch Nebel verursachten inkohärenten Störungen zu beseitigen und die visuelle Qualität des Bildes zu verbessern. Die derzeitigen Modelle setzen komplexe Netzwerke und spezifische Verlustfunktionen ein, die rechenintensiv sind und leistungsstarke Hardware erfordern. Da bei der Bildvorverarbeitung Zeit eine entscheidende Rolle spielt, ist die Erzielung von Echtzeit-Ergebnissen von großer Bedeutung. Um diese Herausforderungen zu überwinden, schlagen wir ein generisches Modell vor, das auf einem äußerst leichten convolutionalen Encoder-Decoder-Netzwerk basiert, das unabhängig von atmosphärischen Modellen ist. Dieses neuronale Netzwerk bewältigt das Gleichgewicht zwischen Netzwerkkomplexität und Bildqualität effizient, und seine Leistung ist nicht durch Systeme mit geringen Spezifikationen eingeschränkt. Das Netzwerk erreicht eine optimale Entnebelungsleistung bei deutlich höherer Geschwindigkeit und erzielt auf mehreren Standard-Datensätzen eine Bildqualität, die mit den aktuellen State-of-the-Art-Methoden vergleichbar ist.