Wir stellen ein physikbasiertes Feature-Dehazing-Netzwerk für die Bild-Dehazing-Methode vor. Im Gegensatz zu den meisten bestehenden end-to-end trainierbaren netzwerkbasierenden Dehazing-Verfahren berücksichtigen wir explizit das physikalische Modell des Himmelsschleiers bei der Netzwerkgestaltung und entfernen den Nebel im tiefen Merkmalsraum. Wir schlagen eine effektive Einheit zur Feature-Dehazing (Feature Dehazing Unit, FDU) vor, die im tiefen Merkmalsraum angewendet wird, um auf Basis des physikalischen Modells nützliche Merkmale für die Bild-Dehazing zu erschließen. Die FDU wird in eine Encoder-Decoder-Architektur mit Residual-Learning integriert, sodass das vorgeschlagene Netzwerk end-to-end trainierbar ist und effektiv zur Nebelentfernung beiträgt. Die Encoder- und Decoder-Module werden jeweils zur Merkmalsextraktion und zur Rekonstruktion des klaren Bildes eingesetzt. Das Residual-Learning wird angewandt, um die Genauigkeit zu erhöhen und das Training tiefer neuronalen Netze zu vereinfachen. Wir analysieren die Wirksamkeit des vorgeschlagenen Netzwerks und zeigen, dass es Bilder effektiv dehazet und dabei eine überzeugende Leistung gegenüber aktuellen State-of-the-Art-Methoden erzielt.