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

近年来，随着现代神经网络的进步，光场图像超分辨率（LFSR）取得了显著的进展。然而，这些方法往往在捕捉长距离依赖关系（基于 CNN）或遇到二次计算复杂性（基于 Transformer）方面面临挑战，从而限制了它们的性能。最近，基于状态空间模型（SSM）和选择性扫描机制（S6）的 Mamba 已成为各种视觉任务中传统 CNN 和 Transformer 方法的卓越替代方案，得益于其有效的长距离序列建模能力和线性时间复杂性。因此，将 S6 集成到 LFSR 中变得具有吸引力，特别是考虑到 4D 光场的大量数据量。然而，主要挑战在于设计适用于 4D 光场的适当扫描方法，以有效地对光场特征进行建模。为了解决这个问题，我们对 4D LFs 的信息性 2D 切片使用了 SSMs，以充分探索空间上下文信息、互补的角度信息和结构信息。为了实现这一点，我们精心设计了一个基本的 SSM 块，其特点是一个有效的 SS2D 机制，可以在这些 2D 切片上实现更有效和高效的特征学习。基于上述两个设计，我们进一步介绍了一种基于 SSM 的 LFSR 网络，称为 LFMamba。LF 基准测试的实验结果证明了 LFMamba 的卓越性能。此外，我们还进行了广泛的消融研究，以验证我们提出的方法的功效和泛化能力。我们希望我们的 LFMamba 能够为光场的有效表示学习提供启示。

Jun, 2024

本文介绍了使用 Vision Mamba 模型在单图超分辨率 (SISR) 领域中提高性能的方法，并通过引入 MMA 网络的综合实验分析验证了其竞争力和灵活性，鼓励在图像处理领域中进一步探索利用状态空间模型的潜力。

Mar, 2024

本文基于选择性状态空间模型 Mamba，提出了一种基于 Mamba 的光场超分辨率方法 MLFSR，通过设计高效的子空间扫描策略来实现对高分辨率 4D 光场的全图像处理，显著提升了性能。

Jun, 2024

远程感知图像中的密集预测任务存在挑战，本研究提出了一种基于远程感知 Mamba（RSM）的模型，利用线性复杂度对全局特征进行建模，以有效处理大尺寸的高空间分辨率远程感知图像，并通过全局建模和多方向扫描提取大尺度空间特征等，实验结果表明该方法在 VHR 远程感知的密集预测任务上取得了最先进的性能。

Apr, 2024

我们提出了一种名为 GMSR-Net 的轻量级模型，它通过全局接受域和线性计算复杂性特点，使用了多个堆叠的梯度 Mamba 块进行光谱重建，同时在空间和光谱提示上引入了新颖的梯度关注机制。与现有方法相比，GMSR-Net 大幅减少了参数和计算负担，同时实现了最新的性能。

May, 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

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

通过 MMR-Mamba 框架中 Mamba 和空间频率信息融合，从辅助模态获取的信息，实现了多对比度 MRI 加速成像和高质量重建目标图像，通过创新的策略有效融合了空间和频率领域的特征，避免冗余信息的引入。

Jun, 2024

通过基于曼巴的小波变换特征调制模型改进了红外图像超分辨率复原的上下文稀疏目标细节恢复，并证明了基于曼巴的模型在红外图像处理中的巨大潜力。

May, 2024