Con la ola de inteligencia artificial y aprendizaje profundo que barre el mundo, existen muchos algoritmos basados en aprendizaje profundo para la investigación de desempañado de imágenes. Sin embargo, todavía existen serias distorsiones de color, reducción de contraste, eliminación incompleta de niebla y otros problemas. Para resolver estos problemas, este artículo propone una red mejorada de desempañado de imágenes basada en la red adversaria cíclica tradicional. Agregamos el módulo de autoatención y el módulo de fusión de características de múltiples escalas de convolución atrous sobre la base de la red CycleGAN tradicional para mejorar la capacidad de extracción de características de la red. La función de pérdida perceptual se introduce en la función de pérdida del modelo para mejorar el sentido de textura de la imagen generada. Finalmente, al comparar varios algoritmos típicos de desempañado, se demuestra cualitativa y cuantitativamente la superioridad del modelo de desempañado propuesto en este artículo. Entre ellos, en el conjunto de datos sintéticos interiores, el Pico de Relación Señal-Ruido (PSNR) y el Índice de Similitud Estructural (SSIM) de la red diseñada por nosotros pueden alcanzar 23.22 y 0.8809, respectivamente. En el conjunto de datos sintéticos exteriores, el PSNR y SSIM de nuestra red diseñada pueden ser tan altos como 25.72 y 0.8859, respectivamente. En el conjunto de datos reales, el PSNR y SSIM de nuestra red diseñada pueden alcanzar 21.02 y 0.8166, respectivamente. Se demuestra que la red de desempañado en este artículo tiene una buena practicidad y universalidad.