En este documento, proponemos un algoritmo eficiente para restaurar directamente una imagen clara a partir de una entrada brumosa, que puede adaptarse para el desempañado de imágenes nocturnas. El algoritmo propuesto se basa en una red neuronal entrenable realizada en una arquitectura codificador-decodificador. El codificador se aprovecha para capturar el contexto de las imágenes de entrada derivadas, mientras que el decodificador se emplea para estimar la contribución de cada entrada al resultado final desempañado utilizando las representaciones aprendidas atribuidas al codificador. La red construida adopta una estrategia novedosa basada en la fusión que deriva tres entradas de una entrada original aplicando balance de blancos (WB), realce de contraste (CE) y corrección gamma (GC). Calculamos mapas de confianza píxel a píxel basados en las diferencias de apariencia entre estas diferentes entradas para mezclar la información de las entradas derivadas y preservar las regiones con una visibilidad agradable. La imagen clara final se genera mediante la selección de las características importantes de las entradas derivadas. Para entrenar la red, introducimos un enfoque multi-escala para evitar los artefactos de halo. Los extensos resultados experimentales tanto en imágenes sintéticas como en imágenes del mundo real demuestran que el algoritmo propuesto se desempeña favorablemente en comparación con el desempañado de última generación para imágenes nocturnas.