审稿人眼前一亮！Mamba+图像增强，创新拉满！顶会一发一个不吱声

今天给大家推荐一个好发顶会的方向：Mamba+图像增强！

相比传统方法，Mamba更能适应当下图像增强复杂和多样化的需求，且在提高模型性能和计算效率方面，具有不可替代的优势。

具体点说，在图像中，像素之间往往存在复杂的远距离关联，而Mamba基于状态空间模型，则非常擅长处理序列数据中的长程依赖问题，它能很好地捕捉到这些远距离的像素信息，从而更好地理解图像的整体结构和上下文，进而准确地恢复和增强图像细节。此外，其线性复杂度的特点，也对加快图像增强的处理速度大有裨益。比如模型Wave-Mamba，便在在超高清图像的低光增强任务中，实现了性能和效率双飙升！

为让大家能够紧跟领域前沿，找到更多灵感启发，早日中稿，我给大家准备了16种创新思路和源码，一起来看！

论文原文+开源代码需要的同学看文末

论文：LLEMamba: Low-Light Enhancement via Relighting-Guided Mamba with Deep Unfolding Network

内容

该论文提出了一种基于Mamba架构和Retinex理论的低光照图像增强方法（LLEMamba），通过将Retinex模型的迭代优化过程嵌入深度展开网络，并引入Mamba架构来实现高效的全局视觉上下文建模和稳定的闭式解优化，在多个基准数据集上均优于现有先进方法，具有更高的图像质量和更低的计算复杂度。

论文：Wave-Mamba: Wavelet State Space Model for Ultra-High-Definition Low-Light Image Enhancement

内容

该论文提出了一种名为Wave-Mamba的新型超高清（UHD）低光照图像增强方法，通过结合小波变换和状态空间模型（SSM）来解决现有方法因高倍下采样导致的信息丢失问题。Wave-Mamba利用小波变换的特性，将图像分解为低频和高频子带，并分别设计了低频状态空间块（LFSSBlock）和高频增强块（HFEBlock）来高效处理全局信息和恢复高频细节。

论文：Spectral-Spatial Mamba for Hyperspectral Image Classification

内容

该论文提出了一种基于Mamba模型的高光谱图像分类方法——SS-Mamba，旨在利用Mamba的高效序列建模能力来处理高光谱图像的光谱-空间特征。SS-Mamba通过将高光谱图像分解为空间和光谱token序列，并利用多层堆叠的Mamba块进行特征提取和融合。

论文：FreqMamba: Viewing Mamba from a Frequency Perspective for Image Deraining

内容

该论文提出了一种名为FreqMamba的图像去雨方法，通过结合Mamba模型和频域分析来解决图像去雨任务中的全局和局部退化问题。FreqMamba引入了三分支结构，包括空间Mamba、频带Mamba和傅里叶全局建模，分别用于提取图像细节、频域相关性和全局退化模式。

 关注下方《人工智能学起来》

回复“曼巴图像”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏