RSMamba 是基于状态空间模型（SSM）和 Mamba 的高效、硬件感知设计的一种远程感知图像分类的新型架构，它通过动态多路径激活机制增强了模型对非因果数据的建模能力，并在多个远程感知图像分类数据集上展现出卓越的性能，具有成为未来视觉基础模型骨干的潜力。

Mar, 2024

该研究通过引入 Mamba 模型和协同完成模块，提出了一种新型双分支网络 RS3Mamba，用于遥感图像语义分割任务，并在 ISPRS Vaihingen 和 LoveDA Urban 数据集上进行了实验证明其有效性和潜力。

Apr, 2024

基于 RSDhamba 的轻量级网络，将选择性状态空间模型（SSM）整合到 U-Net 架构中，通过视觉 Dehamba 块（VDB）实现全局上下文编码，并通过 Direction-aware Scan 模块（DSM）动态聚合特征交换，以有效增强对空间变化的雾分布的灵活性。实验结果验证了我们的 RSDehamba 相对于现有最先进方法的卓越性能。

May, 2024

提出了一种用于处理大规模远程感知图像超分辨率的频率辅助 Mamba 框架，通过多级融合结构和可学习的缩放适配器实现了准确的特征融合，相比于现有方法具有更高的峰值信噪比和更低的内存消耗和计算复杂度。

May, 2024

该研究提出了一种针对高分辨率遥感图像的语义分割框架，名为 Samba，其采用编码器 - 解码器架构，使用 Samba 块作为编码器来高效地提取多层语义信息，以及 UperNet 作为解码器。在 LoveDA 数据集上的评估结果表明，Samba 在 LoveDA 上取得了前所未有的性能，为 Mamba 技术在这一特定应用中的性能设定了新的基准。

Apr, 2024

利用创新的 Mamba-in-Mamba (MiM) 架构和利用 State Space Model (SSM) 的首次尝试，本研究提出了用于高光谱图像分类的 MiM 模型，通过改进的特征生成和集中方法以及改进的解码效率，优于现有基线和最先进方法，展示了其在高光谱应用中的效力和潜力。

May, 2024

提出了一个名为 CDMamba 的模型，它有效地结合了全局和局部特征来处理 CD 任务，使用了 Scaled Residual ConvMamba（SRCM）块来提取全局特征和增强局部细节，使用 Adaptive Global Local Guided Fusion（AGLGF）块以实现对双时序全局或局部特征的动态引导，实验结果表明 CDMamba 在三个数据集上优于当前最先进的方法。

Jun, 2024

深度学习方法在高分辨率遥感图像的语义分割中扮演重要角色，主要采用卷积神经网络（CNN）和视觉 Transformer（ViT）。然而，CNN 由于有限的感受野而受限，而 ViT 则面临二次复杂度的挑战。最近，Mamba 模型因具有线性复杂性和全局感受野而引发广泛关注。此类任务需要将图像序列化为与 Mamba 模型兼容的序列。许多研究工作探索了能够增强 Mamba 模型对图像理解的扫描策略，但是这些扫描策略的有效性仍不确定。我们通过对 LoveDA、ISPRS Potsdam 和 ISPRS Vaihingen 数据集进行广泛实验，全面地探究了主流扫描方向及其组合对遥感图像的语义分割的影响。结果表明，无论复杂性或所涉及的扫描方向数量如何，没有一种单一的扫描策略优于其他策略。对于高分辨率遥感图像的语义分割，一个简单的单一扫描方向已被证明足够。同时，我们推荐了未来研究的相关方向。

May, 2024

我们提出了 DVMSR，一种结合了 Vision Mamba 和蒸馏策略的新型轻量级图像超分辨率网络，通过最小化计算复杂度和网络参数来加速超分辨率网络推理，并在保持性能的同时实现了效率改进。

May, 2024

提出了一种基于 3D-Spectral-Spatial Mamba 框架的新方法，用于全局光谱 - 空间关系建模及高效的高光谱影像分类，实验结果表明该方法在 HSI 分类任务中优于现有方法。

May, 2024