图像去雾是低层视觉领域的一个活跃研究方向，随着深度学习的快速发展，已有大量图像去雾网络被提出。尽管这些网络的处理流程表现良好，但提升图像去雾性能的关键机制仍不明确。为此，本文并未致力于设计包含复杂模块的去雾网络，而是对广受欢迎的U-Net结构进行最小程度的改进，构建一个紧凑高效的去雾网络。具体而言，我们用引入门控机制的残差块替代U-Net中的卷积块，并采用选择性核（selective kernel）融合主路径与跳跃连接的特征图，由此得到的U-Net变体被命名为gUNet。实验结果表明，相较于现有最先进方法，gUNet在多个图像去雾数据集上均取得了更优性能，同时显著降低了计算开销。最后，通过大量消融实验，我们验证了上述关键设计对提升图像去雾网络性能的有效性。