图像去雾是低层视觉领域中的关键任务，旨在从有雾图像中恢复清晰的可见度与细节。尽管许多具备强大表征学习能力的深度学习方法在非均匀去雾任务上表现出色，但这些方法通常因计算开销过大，难以有效处理高分辨率图像（如4000 × 6000）。为应对上述挑战，本文提出一种基于可变形卷积Transformer架构的创新非均匀去雾方法——DehazeDCT。具体而言，我们首先设计了一种基于可变形卷积v4的Transformer-like网络，该结构具备长程依赖建模与自适应空间聚合能力，同时展现出更快的收敛速度与更高的前向推理效率。此外，我们引入一种轻量级的受Retinex启发的Transformer模块，用于实现颜色校正与结构细节优化。大量实验结果表明，本方法在NTIRE 2024密集且非均匀去雾挑战赛中表现优异，综合性能位列全部16项提交方案中的第二名，充分验证了所提方法的先进性与有效性。代码已开源：https://github.com/movingforward100/Dehazing_R。