La désaturation d'images vise à restaurer la clarté et la qualité visuelle en réduisant les effets de diffusion et d'absorption atmosphériques. Bien que l'apprentissage profond ait réalisé des progrès significatifs dans ce domaine, de plus en plus de méthodes sont limitées par la profondeur du réseau. Par conséquent, de nombreuses approches ont adopté des stratégies de branches parallèles. Cependant, elles privilégient souvent des aspects tels que la résolution, le champ récepteur ou la segmentation du domaine fréquentiel sans partitionner dynamiquement les branches en fonction de la distribution des caractéristiques d'entrée. Inspirés par le filtrage dynamique, nous proposons d'utiliser des filtres dynamiques en cascade pour créer un réseau multi-branches en générant dynamiquement des noyaux de filtres basés sur la distribution des cartes de caractéristiques. Pour mieux traiter les caractéristiques des branches, nous proposons un bloc multiscale résiduel (RMB) combinant différents champs récepteurs. De plus, nous introduisons également une méthode de fusion locale basée sur la convolution dynamique pour fusionner les caractéristiques issues des branches adjacentes. Les expérimentations menées sur les jeux de données RESIDE, Haze4K et O-Haze valident l'efficacité de notre méthode, notre modèle atteignant un PSNR de 43,21 dB sur le jeu de données RESIDE-Indoor. Le code est disponible à l'adresse suivante : https://github.com/dauing/CasDyF-Net.