单幅图像去雾是一个由于信息严重退化而极具挑战性的不适定问题。然而，现有的基于深度学习的去雾方法仅将清晰图像作为正样本以指导去雾网络的训练，而未充分挖掘负样本信息。此外，大多数方法通过增加网络的深度与宽度来增强去雾性能，导致对计算资源和内存的需求显著上升。针对上述问题，本文提出一种基于对比学习的新型对比正则化（Contrastive Regularization, CR）机制，充分利用雾图作为负样本、清晰图作为正样本，实现对两类图像信息的协同利用。CR机制在特征表示空间中使恢复图像更靠近清晰图像，同时远离雾图，从而提升去雾效果。为进一步平衡模型性能与内存开销，本文设计了一种基于自编码器（Autoencoder, AE）结构的轻量化去雾网络。该网络引入自适应Mixup操作与动态特征增强模块，分别实现信息流的自适应保留与感受野的动态扩展，有效提升网络的表征与变换能力。我们将结合自编码器结构与对比正则化的去雾网络命名为AECR-Net。在合成数据集与真实世界数据集上的大量实验表明，AECR-Net在去雾效果上显著优于当前最先进的方法。代码已开源，地址为：https://github.com/GlassyWu/AECR-Net。