一个带你秒发刊的创新点：小波变换＋Mamba结合

今天和大家分享一种创新的深度学习技术：小波变换与Mamba模型结合。 该技术通过引入小波变换，能有效提升模型在频域上的特征处理能力，利用小波的多尺度分解，确保图像中全局亮度与局部细节信息的精准提取，进一步提升了模型表现。同时，结合Mamba状态空间模型，能更好地捕捉图像中的长程依赖关系，提高推理效率。这种技术在图像分类、目标检测、语义分割等任务中展现了显著优势，特别是在计算机视觉（CV）领域，凭借其强大的性能和高效性，成为了一个新兴的研究热点，具有巨大的创新潜力。目前的研究成果已经显现出小波变换与Mamba结合的卓越效果。为了帮助大家节省查阅时间，我特别挑选了几篇最新的论文给大家参考，展示了该技术的创新思路及应用效果，有意向投稿的同学们可以抓紧机会哦

1、WMamba: Wavelet-based Mamba for Face Forgery Detection

介绍了一种利用小波变换提取多尺度特征并结合 Mamba 架构，有效捕捉面部伪造细节，取得了跨数据集 SOTA 性能。

主要目的：

• 开发一款轻量化模型，实现高精度与高速推理，用于面部伪造检测。

主要方法：

• 设计三阶段网络，采用多感受野特征交互模块，结合小波变换与状态空间模型捕获全局依赖，并利用动态轮廓卷积优化局部特征。

结果：

• 在多数据集上取得SOTA性能，分类准确率显著提高，同时推理速度大幅加快。

创新性：

• 融合小波变换与动态轮廓卷积实现多尺度特征提取；
• 利用状态空间模型高效捕捉长程依赖；
• 架构设计兼顾高精度与低计算复杂度。

未来研究方向：

1. 优化模型在边缘设备和CPU上的运行效率；
2. 拓展模型在其他视觉任务（如目标检测、语义分割）中的应用。

2、IRSRMamba: Infrared Image Super-Resolution via Mamba-based Wavelet Transform Feature Modulation Model

该论文提出了针对红外图像超分辨率的模型，利用小波变换模块与 Mamba 模块协同工作，从而提升了细节恢复和全局依赖建模能力。

主要目的：

• 利用融合 Mamba 状态空间模型与频域特征提取技术，实现红外图像超分辨率的全局亮度增强与局部细节恢复。

主要方法：

• 采用 Encoder–Backbone–Decoder 架构。
• 在浅层使用波形变换特征调制块（结合小波变换）提取多尺度全局信息；
• 在深层利用 Mamba-based backbone 捕捉长程依赖；
• 在中间阶段通过傅里叶调整模块优化局部纹理细节。

结果：

• 在多个标准红外超分辨率数据集上，IRSRMamba 在 PSNR、MSE 和 SSIM 等指标上均优于现有方法，显著改善了细节重建与整体视觉效果。

创新性：

• 首次将 Mamba 状态空间模型引入红外图像超分辨率任务；
• 提出新型波形变换特征调制模块，有效融合小波与傅里叶信息；
• 模型具备低计算复杂度与高效推理能力。

未来研究方向：

1. 优化模型在边缘设备和 CPU 上的推理速度与能耗；
2. 拓展至视频超分辨率或跨模态红外与可见光图像融合；
3. 探索自监督预训练策略以减少对大量配对数据的依赖。

3、WaveMamba: Spatial-Spectral Wavelet Mamba for Hyperspectral Image Classification

本工作结合小波变换和 Mamba 架构，用于同时捕捉空间与光谱信息，从而在高光谱图像分类任务中实现了多尺度特征融合和准确率提升。

主要目的：
利用波形变换与傅里叶调整结合 Mamba 模型，实现低光图像全局亮度与局部细节的高效增强。

主要方法：
采用 Encoder–Latent–Decoder 架构，在 Encoder/Decoder 阶段通过波形变换 Mamba 模块提取全局低频亮度信息，在 Latent 阶段利用傅里叶调整模块优化局部纹理细节，并通过通道级 Mamba 进一步增强低频特征。

结果：
在 LOL 数据集上，WalMaFa 显著提高了 PSNR 和 SSIM 指标，同时具有更低的计算复杂度和更快的推理速度。

创新性：

• 融合波形变换与傅里叶变换以同时优化全局亮度与局部细节。
• 引入通道级 Mamba 模块高效捕捉低频特征。
• 构建轻量化端到端低光图像增强网络。

未来研究方向：

1. 探索其他色彩空间下的频域增强策略；
2. 优化模型在移动设备和边缘计算平台上的实时推理性能；
3. 研究自监督预训练方法，降低对大量标注数据的依赖。

4、Wavelet-based Mamba with Fourier Adjustment for Low-light Image Enhancement

提出一种结合小波变换与 Mamba 模块，并通过 Fourier 调整进一步增强低光图像的细节恢复能力，实现了高效低光图像增强。

主要目的：

• 改善低光图像的亮度恢复与细节恢复效果，提高整体视觉质量。

主要方法：

• 采用 Encoder–Latent–Decoder 架构，
• 在 Encoder/Decoder 使用基于小波的 Mamba 模块提取低频全局亮度信息，
• 在 Latent 阶段利用快速傅里叶调整模块调节局部细节。

结果：

• 在 LOL 系列数据集上取得了更高的 PSNR/SSIM 指标，
• 模型计算资源占用低，推理速度快。

创新性：

• 首次融合小波变换与傅里叶变换信息；
• 设计了专用的 WMB 与 FFAB 模块；
• 利用 Mamba 状态空间模型实现高效长程依赖建模。

未来研究方向：

1. 探索不同色彩空间下的低光增强方法；
2. 优化实时推理与边缘设备适配；
3. 融合自监督预训练以降低对大规模配对数据的依赖。

5、MobileMamba: Lightweight Multi-Receptive Visual Mamba Network

针对高分辨率视觉任务设计轻量化模型，利用小波变换增强的 Mamba 模块提取全局及细粒度信息，实现了在 ImageNet 上的高准确率和显著的推理速度提升。

主要目的：

• 设计轻量化视觉模型，在保持高准确率的同时大幅提升推理速度，适用于移动设备。

主要方法：

• 采用三阶段网络架构，融合多感受野特征交互模块（包含长程小波变换增强、深度卷积和冗余身份映射）；
• 利用状态空间模型捕捉全局长程依赖，并通过知识蒸馏与延长训练等策略进一步提升性能。

结果：

• 在 ImageNet-1K 分类任务中实现最高 83.6% Top-1 准确率；
• 在下游任务中展现出优异的性能和显著更快的推理速度。

创新性：

• 融合小波变换与多核深度卷积的多感受野特征交互模块；
• 利用状态空间模型高效捕捉全局依赖；
• 采用专用训练/测试策略提升整体效率与性能。

未来研究方向：

1. 优化边缘设备和 CPU 上的实时推理能力；
2. 拓展应用至其他视觉任务（如目标检测与语义分割）；
3. 探索自监督预训练策略以降低对大规模标注数据的依赖。

扫码添加，回复“Mamba结合”

免费获取全部论文以及开源代码