La estimación de visibilidad cuantificada basada en imágenes es una tarea importante tanto para la ciencia atmosférica como para la visión por computadora. Los métodos tradicionales dependen en gran medida de la observación meteorológica o la calibración manual de cámaras, lo que restringe su rendimiento y generalidad. En este artículo, proponemos un nuevo pipeline de extremo a extremo para la estimación de visibilidad cuantificada basada en una sola imagen mediante una integración elaborada entre la restricción física meteorológica y el diseño de arquitectura de aprendizaje profundo. Específicamente, la Red de Estimación de Visibilidad Cuantificada Profunda (abreviada como DQVENet) consta de tres módulos, es decir, el Módulo de Estimación de Transmisión (TEM), el Módulo de Estimación de Profundidad (DEM) y el Módulo de Estimación del Coeficiente de Extinción (E3M). Con base en estos módulos, la restricción previa meteorológica puede combinarse con el aprendizaje profundo. Para validar el rendimiento de DQVENet, este artículo también construye un conjunto de datos de imágenes de tráfico (llamado QVEData) con calibración de visibilidad precisa. Los resultados experimentales comparados con muchos métodos de última generación en QVEData demuestran la efectividad y superioridad de DQVENet.