Mit der rasanten Entwicklung mobiler Geräte können moderne, weit verbreitete Mobiltelefone den Nutzern typischerweise die Aufnahme von Bildern in 4K-Auflösung (d. h. Ultra-HD) ermöglichen. Für die Entmoirung von Bildern, eine herausfordernde Aufgabe im Bereich der Low-Level-Vision, werden jedoch bisher überwiegend Methoden auf niedrigauflösenden oder synthetischen Bildern evaluiert. Die Wirksamkeit dieser Ansätze auf 4K-Bildern ist daher weiterhin unklar. In diesem Paper untersuchen wir die Entmoirung von Ultra-HD-Bildern. Dazu stellen wir erstmals den Ultra-HD-Demoireing-Datensatz (UHDM) vor, der 5.000 echte 4K-Bildpaare umfasst, und führen eine Benchmark-Studie aktueller State-of-the-Art-Methoden durch. Zudem präsentieren wir ein effizientes Basismodell, ESDNet, zur Bewältigung von 4K-Moiré-Bildern, bei dem wir ein semantisch ausgerichtetes, skalenbewusstes Modul entwickeln, um die Skalenvariation von Moiré-Mustern zu bewältigen. Umfangreiche Experimente belegen die Wirksamkeit unseres Ansatzes, der im Vergleich zu State-of-the-Art-Methoden deutlich übertrifft, dabei jedoch wesentlich leichter ist. Code und Datensatz sind unter https://xinyu-andy.github.io/uhdm-page verfügbar.