基于 RSDhamba 的轻量级网络，将选择性状态空间模型（SSM）整合到 U-Net 架构中，通过视觉 Dehamba 块（VDB）实现全局上下文编码，并通过 Direction-aware Scan 模块（DSM）动态聚合特征交换，以有效增强对空间变化的雾分布的灵活性。实验结果验证了我们的 RSDehamba 相对于现有最先进方法的卓越性能。

May, 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

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

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

提出了一种名为 UVM-Net 的高效单图像去雾网络，结合了 Transformer 和 State Space Sequence Models (SSMs) 的能力，能够更有效地建模长距离依赖关系，并在图像去雾和其他图像恢复任务中取得了良好的效果。

Feb, 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

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