【深度学习】2023 NTIRE NH Dehazing Factsheet

Posted by ShawnD on March 17, 2023

NTIRE 2023 NonHomogeneous Dehazing Challenge

此概况介绍模板旨在构建对每个参与团队在 NTIRE 2023 NonHomogeneous Dehazing Challenge 中所做的贡献的描述。理想情况下,下面列举的所有方面都应该解决。提供的信息、代码/可执行文件和测试数据上取得的性能用于决定 NTIRE 2023 NonHomogeneous Dehazing Challenge 的获奖者。

  • 可重现性是必须的,需要检查最终测试结果,才有资格获得NTIRE 2023奖项。
  • 主要获奖者将根据整体表现来决定,许多奖项将授予新颖、有趣的解决方案,以及评审委员会将决定的特定子类别中表现最好的解决方案。最终排名将根据 Mean Opinion Score 用户研究来决定。有关更多详细信息,请查看比赛网页和论坛。
  • 胜利者、获奖者和顶级团队将被邀请共同撰写 NTIRE 2023 NonHomogeneous Dehazing Challenge 报告,并向 NTIRE 2023 研讨会提交论文及其解决方案。非常感谢详细描述:简要描述所有测试的模型和实验、消融、可视化、不起作用的工作、外部数据集、预训练模型、模型融合等。您可以通过 google drive、dropbox 等的共享文件夹共享定性结果(甚至原始图像本身)。

概况介绍、源代码/可执行文件和其他结果(如果需要)应通过电子邮件发送给所有 NTIRE2023 挑战组织者(Florin-Alexandru Vasluianu,Radu Timofte)。图像结果应该是可重现的,并与 Codalab 上次提交的内容相匹配。您仍然需要在Codalab 上传结果!由于文件大小预计会很大,我们接受来自您的网站、Google Drive、Dropbox等的下载链接。使用云服务时,请记住允许共享,并考虑服务提供商的流量限制。

Contribution details

  • 贡献的标题
  • 一般方法描述
  • 参考文献
  • 方法的代表性图像/图表
  • 你测试过以前发布的方法吗?(是/否)如果是,请指定您找到的方法和结果/问题。
  • 除了提供的竞争数据外,您还使用额外的数据吗?(是/否)如果是,请引用数据集并简要描述您如何使用它们(预处理、图像数量等)
  • 测试了其他方法和基线(即使结果不是顶级竞争)。

Global Method Description

  • 总方法复杂度:所有阶段
  • 使用了哪些预训练或外部方法/模型(适用于任何阶段,如果有的话)
  • 除了提供的 NTIRE 2023 High Resolution Non-Homogeneous Dehazing Challenge 训练和验证数据外,还使用了哪些附加数据(在任何阶段,如果有的话)
  • 训练描述
  • 测试描述
  • 所提出解决方案的定量和定性优势
  • 与其他方法的比较结果(如果有的话)
  • 其他基准的结果(如果有的话)
  • 解决方案的创新性,以及它是否已经发布过
  • 如果提出的解决方案基于其他作品(论文、报告、互联网来源(链接)等),则可以。如果您没有适当地给予 credits 并隐藏这些信息,这在道德上是错误的,也是不当行为的。

请填写下表,指定技术信息(除了写作外),需要1分钟。

融合是指模型融合和自我融合。

全分辨率表示您的模型是否在给定输入的原始分辨率上训练/推理。

Competition particularities

与其他挑战(如果适用)相比,本次竞争解决方案的任何特殊性。

Technical details

请务必写下语言和实现细节:框架、优化器、学习率、GPU、用于训练的数据集、训练时间、训练策略、效率优化策略。

Other details

  • 计划在NTIRE 2023研讨会上提交解决方案描述文件 [YES / NO]
  • NTIRE 2023 NonHomogeneous Dehazing Challenge的一般评论和印象(我们感谢您的反馈,以便在未来的版本中改进)。
  • 您对图像恢复、增强和操作方面的新挑战有什么期望?