本论文提出了一种基于空间 - 谱选择性状态空间模型的 U 型网络（称为 SSUMamba），用于高光谱图像去噪，能够在状态空间模型计算中实现完全的全局空间 - 谱相关性，通过引入交替扫描策略（SSAS）对多方向 3D 高光谱图像进行信息流建模。实验证明，我们的方法优于其他方法。

May, 2024

通过使用双向反卷积神经网络路径提取光谱特征的 HSIMamba，进一步结合具有 Transformer 中的注意机制的动态特征提取能力，避免了高计算要求。该方法在处理数据的双向性上有显著优势，大幅度提取光谱特征并将其与空间信息综合分析，从而改善了分类准确性，超越当前基准，并解决了 Transformer 等先进模型遇到的计算效率低的问题。HSIMamba 在三个广泛认可的数据集（Houston 2013，Indian Pines 和 Pavia University）上经过测试并展示了出色的性能，在 HSI 分类方面超过现有最先进模型。该方法的方法论创新和实际应用具有重要的价值，特别在计算资源有限的环境中。因此，HSIMamba 重新定义了 HSI 分类的效率和准确性标准，从而增强了遥感应用的能力。

Mar, 2024

通过创新性地提出 S^2Mamba，即一种适用于高光谱图像分类的空间 - 光谱状态空间模型，以发掘空间 - 光谱上下文特征，实现更高效准确的土地覆盖分析。

Apr, 2024

基于长距离依赖模型 Mamba，本研究提出了第一个用于高光谱图像去霾的 HSI Dehazing Mamba (HDMba) 网络，通过设计了一个新颖的窗口选择性扫描模块 (WSSM)，以及由 WSSM 和残差 DehazeMamba (RDM) 块构成的 DehazeMamba layer (DML)，实现了对复杂的雾霾分布的准确建模，从而在场景重建和去霾方面取得了优于其他最先进方法的效果。

Jun, 2024

提出了一种新颖的双重高光谱 Mamba (DHM) 方法，通过探索全局远程依赖和局部环境，实现高效的 HSI 重建。

Jun, 2024

该研究基于 Mamba 模型，提出了一种名为 SS-Mamba 的光谱空间分类方法，通过光谱 - 空间令牌生成模块和多个堆叠的光谱 - 空间 Mamba 块实现光谱和空间信息的融合，从而有效地进行高光谱图像分类。该方法在广泛使用的高光谱数据集上取得了与最先进方法相媲美的结果，为高光谱图像分类研究开辟了新的方向。

Apr, 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

SpectralMamba 是一种高效的深度学习框架，结合了状态空间模型来进行高光谱图像分类，通过学习动态掩膜和合并光谱的操作在隐藏状态空间中实现了选择性的响应，同时在计算效率和性能角度上取得了令人满意的成果。

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

应用 Mamba 到多类无监督异常检测，提出了包含预训练编码器和 Mamba 解码器的 MambaAD，通过在多个尺度上引入局部增强状态空间模块 (LSS)，该方法在六个不同的异常检测数据集上展示了具有 SoTA 性能的结果，证实了其有效性。

Apr, 2024