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

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

提出了一种轻量级双流 Mamba 卷积网络 (DualMamba) 用于高光谱图像分类，通过全局局部光谱空间特征提取和全局局部融合实现了显著的分类准确度和模型参数减少。

Jun, 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

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

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

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

图像融合是通过将具有有限光谱信息的高分辨率图像与具有丰富光谱数据的低分辨率图像相结合，生成高分辨率的多 / 高光谱图像。本文提出了一种名为 FusionMamba 的创新方法，通过在两个 U 型网络中结合 Mamba 块，以一种高效、独立和分级的方式提取空间和光谱特征，进而有效地将空间和光谱信息进行融合，得到了优于其他融合技术的性能，证明了 FusionMamba 的有效性。

Apr, 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