Die Bildentnebelung (Image Dehazing) strebt danach, die Klarheit und visuelle Qualität von Bildern durch die Reduzierung atmosphärischer Streu- und Absorptionswirkungen zu verbessern. Obwohl tiefes Lernen in diesem Bereich erhebliche Fortschritte gemacht hat, sind zunehmend mehr Methoden durch die Netzwerktiefe eingeschränkt. Daher haben viele Ansätze parallele Verzweigungsstrategien adoptiert. Diese setzen jedoch oft auf Aspekte wie Auflösung, Rezeptivfeld oder Frequenzbereichssegmentierung, ohne die Verzweigungen dynamisch basierend auf der Verteilung der Eingabe-Features zu partitionieren. Inspiriert durch dynamisches Filtern schlagen wir vor, kaskadierte dynamische Filter (Cascaded Dynamic Filters) zu verwenden, um ein Mehrverzweigungsnetzwerk durch dynamische Generierung von Filterkernen basierend auf der Featuremap-Verteilung zu erstellen. Um die Verarbeitung von Verzweigungsfeatures besser zu gewährleisten, schlagen wir einen Residual-Multiskalenblock (RMB) vor, der verschiedene Rezeptivfelder kombiniert. Darüber hinaus führen wir eine lokal-fusionsbasierte Methode mit dynamischer Faltung ein, um Features aus benachbarten Verzweigungen zusammenzuführen. Experimente an den Datensätzen RESIDE, Haze4K und O-Haze bestätigen die Effektivität unserer Methode; unser Modell erreicht dabei einen PSNR-Wert von 43,21 dB im RESIDE-Indoor-Datensatz. Der Quellcode ist unter https://github.com/dauing/CasDyF-Net verfügbar.