Die Bildentnebelung ist ein aktives Forschungsthema im Bereich der Low-Level-Vision, und mit der raschen Entwicklung des tiefen Lernens wurden zahlreiche Netzwerke für die Bildentnebelung vorgeschlagen. Obwohl diese Netzwerkarchitekturen in der Regel gut funktionieren, bleibt die zentrale Mechanik zur Verbesserung der Leistung der Bildentnebelung unklar. Aus diesem Grund zielen wir nicht darauf ab, ein Netzwerk mit komplexen, aufwändigen Modulen vorzustellen, sondern optimieren das verbreitete U-Net mit minimalen Änderungen, um ein kompaktes Netzwerk für die Bildentnebelung zu erhalten. Konkret ersetzen wir die konventionellen Faltungsblöcke im U-Net durch Residualblöcke mit einer Gating-Mechanismus, fügen die Merkmalskarten der Hauptpfade und der Skip-Verbindungen mittels eines selektiven Kernels zusammen und bezeichnen die resultierende U-Net-Variante als gUNet. Dadurch erreicht gUNet, mit einer erheblich reduzierten Rechenlast, eine überlegene Leistung gegenüber aktuellen State-of-the-Art-Methoden auf mehreren Bildentnebelungs-Datensätzen. Schließlich bestätigen wir die Wirksamkeit dieser zentralen Architektur-Entscheidungen hinsichtlich der Leistungssteigerung durch umfassende Ablationstudien.