Nous proposons un réseau neuronal convolutif (CNN) entièrement entraînable en bout à bout, nommé GridDehazeNet, pour le dévoilement de la brume dans les images uniques. Le GridDehazeNet se compose de trois modules : prétraitement, tronc commun et post-traitement. Le module de prétraitement entraînable peut générer des entrées apprises avec une meilleure diversité et des caractéristiques plus pertinentes par rapport aux entrées dérivées produites par des méthodes de prétraitement manuellement sélectionnées. Le module tronc commun met en œuvre une nouvelle estimation multi-échelle basée sur l'attention dans un réseau en grille, ce qui permet d'atténuer efficacement le problème du goulot d'étranglement souvent rencontré dans l'approche multi-échelle conventionnelle. Le module de post-traitement aide à réduire les artefacts dans la sortie finale. Les résultats expérimentaux montrent que le GridDehazeNet surpassent les méthodes de pointe tant sur des images synthétiques que sur des images réelles. La méthode de dévoilement de la brume proposée ne repose pas sur le modèle de diffusion atmosphérique, et nous fournissons une explication sur pourquoi il n'est pas nécessairement avantageux d'utiliser la réduction de dimension offerte par le modèle de diffusion atmosphérique pour le dévoilement de la brume dans les images, même si seuls les résultats de dévoilement sur des images synthétiques sont concernés.