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

通过利用选择性状态空间模型（Mamba）的近乎线性计算复杂性，本文提出了 HSIDMamba（HSDM）用于高光谱图像去噪，利用 HSDM 的连续扫描机制强化了空间 - 光谱相互作用，提高了去噪性能，实验结果表明 HSDM 在性能上超过了最新的变压器架构的效率提升 30%。

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

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

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

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

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

提出了一种混合的空间 - 光谱去噪网络 (HSSD)，该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。

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

提出了一种自调制卷积神经网络（SM-CNN）用于高光谱图像去噪，通过利用相关的光谱和空间信息，该网络能够根据相邻的光谱数据自适应地转换特征，提高处理复杂噪声的能力，实验证明在合成和真实数据上，SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。

Sep, 2023