Angesichts der schlecht gestellten Natur des Problems wurde für die Einzelbild-Dehazing-Task eine kontrastive Regularisierung entwickelt, die Informationen aus negativen Bildern als untere Schranke einbezieht. Allerdings sind die kontrastiven Beispiele nicht konsensuell, da die negativen Bilder typischerweise weit von dem klaren (d. h. positiven) Bild entfernt repräsentiert werden, was den Lösungsraum weiterhin ungenügend einschränkt. Darüber hinaus bleibt die Interpretierbarkeit von tiefen Dehazing-Modellen hinsichtlich der physikalischen Prozesse der Helligkeitsverzerrung weitgehend unerforscht. In diesem Artikel schlagen wir eine neuartige kurrikulare kontrastive Regularisierung vor, die sich auf einen konsensuellen kontrastiven Raum konzentriert, im Gegensatz zu einem nicht-konsensuellen. Unsere negativen Beispiele, die eine verbesserte untere Schranke bieten, können aus zwei Quellen zusammengestellt werden: 1) dem nebligen Bild selbst und 2) den entsprechenden Rekonstruktionen durch bereits bestehende Methoden. Zudem führt die unterschiedliche Ähnlichkeit zwischen den Embeddings des klaren Bildes und den negativen Beispielen zu einer inhärenten Ungleichgewichtigkeit im Lernaufwand der verschiedenen Komponenten. Um dieses Problem anzugehen, implementieren wir eine maßgeschneiderte Kurrikulum-Lernstrategie, um die Bedeutung der verschiedenen negativen Beispiele dynamisch umzuwiegen. Zusätzlich zur Verbesserung der Interpretierbarkeit im Merkmalsraum integrieren wir eine physikbasierte, dual-branch Einheit, die auf dem atmosphärischen Streuungsmodell basiert. Mit dieser Einheit sowie der kurrikularen kontrastiven Regularisierung stellen wir unser Dehazing-Netzwerk, C2PNet, vor. Umfassende Experimente zeigen, dass C2PNet die derzeit besten Methoden erheblich übertrifft, wobei sich auf den Datensätzen SOTS-indoor und SOTS-outdoor jeweils extreme PSNR-Steigerungen von 3,94 dB und 1,50 dB ergeben.