又一篇CCF-A！多尺度Mamba“ 杀疯了 ” ....

多尺度Mamba具备强大全局建模、高效计算性能、良好可扩展性及多尺度特征融合能力，在复杂序列数据处理中表现相当好。

在各大顶会中，多尺度Mamba也是很受欢迎的选题。比如收录于医图顶会 MICCAI的基于多尺度融合的Mamba架构Deform-Mamba，实现了SOTA性能！还有NeurIPS 2024上的多尺度视觉MSVMamba，兼顾效率与性能，适配各种模型配置，具有极高适应性和可扩展性！

另外还有超低参数量和内存，但性能依然优越的MUSE...可以说优秀成果相当多了，强烈建议想发论文的同学研读。本文整理了11种多尺度Mamba最新的成果，方便有需求的同学快速了解这方向的前沿技术，找到灵感，代码已附。

全部论文+开源代码需要的同学看文末

Deform-Mamba Network for MRI Super-Resolution

方法：本文介绍了一种基于多尺度融合的Mamba架构，名为Deform-Mamba，用于MRI图像超分辨率重建。其核心思想是通过结合多尺度的局部和全局特征来提升MRI图像的分辨率，既能高效捕捉局部和全局图像信息，又克服了传统CNN和Transformer方法的局限性。

创新点：

• 提出了一种新的架构“变形-Mamba”，用于MRI图像超分辨率。

• 设计了一个多视图上下文模块，放置在瓶颈层中，以增强多尺度上下文信息的融合。

• 引入了一种对比边缘损失（CELoss），专注于增强MR图像的边缘纹理和对比度。

Multi-Scale VMamba: Hierarchy in Hierarchy Visual State Space Model

方法：本文介绍了一种名为Multi-Scale VMamba (MSVMamba)的新型视觉骨干网络，它通过多尺度2D扫描技术和卷积前馈网络（ConvFFN）在计算复杂度和信息传递上取得平衡，显著提升了在图像分类和下游任务中的表现。

创新点：

• 创新引入了一种多尺度2D扫描策略，通过将扫描方向分为原始分辨率和下采样两组，既保持了长程依赖的学习能力，又减少了冗余和计算复杂度。

• 在VMamba的基础上，提出了层次化多扫描设计，通过在每个块中引入卷积前馈网络，增强了通道信息交换和局部特征捕获的能力。

• 将MS2D技术与ConvFFN集成到新的多尺度状态空间块（MS3）中，展示了适应不同规模模型配置的灵活性和可扩展性。

Selective and multi-scale fusion Mamba for medical image segmentation

方法：论文主要介绍了一种基于多尺度融合的Mamba架构，名为SMM-UNet，用于医学图像分割任务。旨在通过设计 SF-Mamba 层以捕捉局部边界和全局轮廓的特征，填补现有研究在精细化和宏观特征融合方面的空白。

创新点：

• 该结构通过动态调整局部和全局特征的权重分布，灵活选择有利于分割任务的特征信息，从而优化了分割性能。

• 利用Mamba结构融合来自不同尺度的特征图的全局信息，提升了对不同形状病变区域的分割鲁棒性。

• SMM-UNet仅有0.038M参数，是已知参数最少的医学图像分割模型之一，为轻量化模型设计提供了新方向。

MSFMamba: Multi-Scale Feature Fusion State Space Model for Multi-Source Remote Sensing Image Classification

方法：论文旨在通过提出一种新的多尺度特征融合Mamba (MSFMamba) 网络，利用状态空间模型解决多源遥感数据（高光谱图像和激光雷达/合成孔径雷达）的联合分类问题，填补现有方法在异质特征融合和计算复杂度方面的研究空白。

创新点：

• MSFMamba网络引入了一个多尺度空间特征块（MSpa-Mamba），通过多尺度策略降低计算成本并缓解特征冗余，确保高效的空间特征建模。

• MSFMamba设计了一个融合Mamba块（Fus-Mamba），将原Mamba架构扩展为支持双输入，增强了跨模态特征交互，实现了HSI和LiDAR/SAR数据之间的无缝融合。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“多尺度曼巴”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏