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