基于 Mamba 算法的本地增强视觉 Mamba（LEVM）块和状态共享技术的图像融合网络（LE-Mamba）在多光谱和高光谱图像融合数据集上取得了最先进的结果，证明了该方法的有效性。

Apr, 2024

通过将 State Space Sequence Models (SSMs) 整合到卷积残差块中，nnMamba 架构能够提取局部特征并建模复杂的依赖关系，从而在医学图像分析的一系列挑战性任务中展现出卓越的性能。

Feb, 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

基于状态空间模型 (SSM) 成功在 NLP 任务中进行序列建模的启发，我们提出了具有全局建模和线性复杂度的 PointMamba 框架，通过重新排序策略提供更合理的几何扫描顺序来增强 SSM 的全局建模能力，实验证明我们的 PointMamba 在不同的点云分析数据集上胜过基于 transformer 的对应模型，同时节省了约 44.3% 的参数和 25% 的 FLOPs，展示了构建基础 3D 视觉模型的潜在选择，并为点云分析提供了新的视角。

Feb, 2024

本研究首次展示了基于 Mamba 的点云方法能够超越基于点的方法，Mamba 具备强大的全局建模能力和线性计算复杂度，对点云分析非常具有吸引力。为了更有效地处理 3D 点云数据，我们提出了一种新颖的一致遍历序列化方法，将点云转换为 1D 点序列，并确保序列中相邻的点也是空间上相邻的。一致遍历序列化方法通过排列 x、y 和 z 坐标的顺序产生六种变体，通过这些变体的协同使用，有助于 Mamba 全面观察点云数据。此外，为了更有效地帮助 Mamba 处理不同顺序的点序列，我们引入了点提示的概念，以告知 Mamba 序列的排列规则。最后，我们提出了基于空间坐标映射的位置编码方法，更好地将位置信息注入点云序列中。基于这些改进，我们构建了一种名为 Point Cloud Mamba 的点云网络，它结合了局部建模和全局建模。Point Cloud Mamba 超越了 SOTA 方法 PointNeXt，并在 ScanObjectNN、ModelNet40 和 ShapeNetPart 数据集上取得了新的 SOTA 性能。

Mar, 2024

本研究提出了一种名为 MambaMOS 的基于 LiDAR 的三维运动物体分割方法，利用时间线索引导嵌入模块 (TCBE) 和运动感知状态空间模型 (MSSM) 解决了弱关联时空信息的问题，并通过实验证明其达到了最先进的性能水平。

Apr, 2024

通过引入局部几何特征提取机制和双向状态空间模型（bi-SSM），Mamba3D 模型在点云学习中取得了超过 Transformer 的卓越性能、高效性和可扩展性，在多个任务中超越同类模型和并行研究，包括在 ScanObjectNN 任务中从头开始的 92.6% 综合准确性和在 ModelNet40 分类任务中基于单模态预训练达到 95.1% 的准确性，并且具有线性复杂度。

Apr, 2024

提出了一种基于 SSM 的点云处理骨干网络 Point Mamba，具有因果感知的排序机制，在构建因果依赖关系方面采用基于八叉树的排序策略，通过全局排序点以 Z 序列并保留它们的空间接近度。与基于 transformer 的对应方法相比，我们的方法在 ModelNet40 分类数据集和 ScanNet 语义分割数据集上分别达到了 93.4％的准确率和 75.7 的 mIOU，且 Point Mamba 具有线性复杂度，比基于 transformer 的方法更高效。这表明 SSM 在点云理解中具有巨大潜力。

Mar, 2024

通过借鉴最近的状态空间模型在长序列建模方面的潜力，我们引入了基于 SSM（状态空间模型）的架构 Mamba 到点云领域，并提出了 Mamba24/8D，它在线性复杂度下具有强大的全局建模能力。该架构在多个 3D 点云分割任务上取得了最先进的结果，并通过大量实验证实了其有效性。

Jun, 2024

Mamba 是一种新型的人工智能架构，基于最新的状态空间模型，具有强大的效率和长距离依赖建模能力，被广泛应用于深度学习中的自然语言处理和视觉领域。本综述研究了 Mamba 在视觉任务和数据类型上的应用，探讨了其前身、最新进展以及对各领域的深远影响。

May, 2024