Nous proposons une nouvelle méthode de débrumage d'images uniques de bout en bout, appelée Réseau de Débrumage Pyramidal Densément Connecté (DCPDN), capable d'apprendre conjointement la carte de transmission, la lumière atmosphérique et le débrumage. L'apprentissage de bout en bout est réalisé en intégrant directement le modèle de diffusion atmosphérique dans le réseau, garantissant ainsi que la méthode proposée suit strictement le modèle de diffusion guidé par la physique pour le débrumage. Inspirés par les réseaux denses qui peuvent maximiser l'écoulement d'informations le long des caractéristiques à différents niveaux, nous proposons une nouvelle structure encodeur-décodeur densément connectée préservant les contours avec un module de regroupement pyramidal multi-niveaux pour estimer la carte de transmission. Ce réseau est optimisé à l'aide d'une fonction de perte préservant les contours nouvellement introduite. Pour incorporer davantage l'information structurale mutuelle entre la carte de transmission estimée et le résultat du débrumage, nous proposons un discriminant conjoint basé sur le cadre des réseaux génératifs adverses pour déterminer si l'image débrumée correspondante et la carte de transmission estimée sont réelles ou fausses. Une étude d'ablation est menée pour démontrer l'efficacité de chaque module évalué tant sur la carte de transmission estimée que sur le résultat du débrumage. De nombreuses expériences montrent que la méthode proposée réalise des améliorations significatives par rapport aux méthodes les plus avancées actuellement disponibles. Le code sera mis à disposition sur : https://github.com/hezhangsprinter