In dieser Arbeit wird ein neuartiges Encoder-Decoder-Netzwerk mit geführtem Transmissionskartenmodell (EDN-GTM) für die Dehazing-Einzelbildverarbeitung vorgestellt. Das vorgeschlagene EDN-GTM nimmt ein herkömmliches RGB-Trübungs-Bild zusammen mit seiner durch Anwendung des Dunkelkanal-Prior-Verfahrens geschätzten Transmissionskarte als Eingaben des Netzwerks. Als Kernarchitektur nutzt das EDN-GTM U-Net für die Bildsegmentierung und setzt verschiedene Modifikationen ein, darunter ein räumliches Pyramiden-Pooling-Modul und die Swish-Aktivierungsfunktion, um eine state-of-the-art-Dehazing-Leistung zu erzielen. Experimente an Benchmark-Datensätzen zeigen, dass das vorgeschlagene EDN-GTM die meisten herkömmlichen und auf tiefen Lernverfahren basierenden Dehazing-Verfahren hinsichtlich der PSNR- und SSIM-Metriken übertrifft. Zudem wird die Anwendbarkeit des EDN-GTM bei Objekterkennungsaufgaben nachgewiesen. Insbesondere, wenn es als Bildvorverarbeitungstool für die Objekterkennung im Straßenverkehr eingesetzt wird, kann das EDN-GTM Nebel effizient entfernen und die Erkennungsgenauigkeit um 4,73 % im Hinblick auf die mAP-Messung erheblich verbessern. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/tranleanh/edn-gtm.