VmambaSCI: Dynamic Deep Unfolding Network with Mamba for Compressive Spectral Imaging
PulseAugur coverage of VmambaSCI: Dynamic Deep Unfolding Network with Mamba for Compressive Spectral Imaging — every cluster mentioning VmambaSCI: Dynamic Deep Unfolding Network with Mamba for Compressive Spectral Imaging across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Vision Mamba vs. Gated CNN：解码表示差异
研究人员调查了 Vision Mamba (VMamba) 和 Gated CNN 模型在处理高分辨率视觉任务时所采用的不同表示策略。通过跨模型中心核对齐 (CKA) 分析，他们发现 VMamba 的最后阶段模块创建的表示与 MambaOut 及其自身前置模块的表示不同。VMamba 跨 token 幅度和方向组织语义证据，在语义分割等密集预测任务中显示出优势，而 MambaOut 则依赖于稀疏、占主导地位的 token。
-
新的LFNet方法融合CNN和SSM特征以改进显著目标检测
研究人员开发了一种名为Liquid Fusion Network (LFNet) 的新方法，通过协调不同神经网络架构的特征来改进显著目标检测。LFNet利用受Liquid Neural Networks启发的液态融合方法，解决了卷积神经网络 (CNN) 和状态空间模型 (SSM) 中固有的频谱偏差。这种动态集成允许内容感知的特征聚合，并且可以扩展到多模态线索，从而在各种任务中实现最先进的性能。
-
新的STORM框架通过在令牌缩减过程中保留空间结构来增强Mamba模型
研究人员开发了STORM，一种新颖的空间感知令牌缩减框架，旨在解决Mamba等视觉状态空间模型在进行令牌压缩时出现的性能下降问题。现有的缩减方法在空间上是不敏感的，会破坏这些模型至关重要的二维结构。STORM将缩减重新构建为对空间单元的结构化操作，在无需额外训练的情况下保留了网格拓扑和邻域连贯性。这个即插即用的模块显著提高了准确性恢复能力，尤其是在VMamba上实现了高达63.3%的提升，在PlainMamba上仅下降1.0%，使其性…
-
新的 PRISMamba 方法通过旋转鲁棒性增强视觉 SSM
研究人员推出了一种新方法 PRISMamba，用于处理视觉状态空间模型（SSM）中的图像。与将图像序列化为线性序列的传统方法不同，PRISMamba 将图像划分为同心环，并在每个环内聚合信息。该方法通过选择性地过滤通道来增强旋转鲁棒性并提高效率。PRISMamba 在 ImageNet-1K 上实现了具有竞争力的准确性，同时与现有的 VMamba 模型相比，展示了更高的吞吐量和更少的 FLOPs，特别是在旋转变换下保持了性能。
-
MNet++ 通过自适应融合和状态空间建模增强医学图像分割
研究人员成功复现并扩展了 MNet，这是一个用于医学图像分割的混合二维/三维卷积网络。该研究在对前列腺 MRI 和肝脏 CT 数据集进行了验证，取得了较高的 Dice 系数。引入了两个新扩展：一个用于自适应特征融合的学习式门控机制（Fusion Gating）和一个用于改进长程建模的 VMamba 模块，两者都保持了对各向异性条件的鲁棒性。
-
FAF-CD框架提高了遥感图像变化检测的准确性
研究人员开发了FAF-CD，一种用于遥感图像变化检测的新型框架，在处理不完美和异构观测数据时尤其有效。该系统利用了DINOv3预训练编码器和基于VMamba的解码器，并包含一个融合模块，该模块可以对齐空间数据并使用傅里叶和Haar小波变换比较频率信息。FAF-CD在包括EO-SAR灾害测绘和光学变化检测在内的各种数据集上，均显示出比现有方法更高的准确性和效率。
-
Hugging Face 对用于遥感分割的视觉状态空间模型进行基准测试
一项新的基准研究严格比较了视觉状态空间模型（SSM），如 VMamba 和 MambaVision，与传统的 Vision Transformer 在遥感分割任务上的表现。研究发现，虽然视觉 SSM 在准确性和效率之间取得了良好的平衡，但改进更有可能源于以鲁棒性为重点的设计和边界感知解码，而不是仅仅扩大编码器。这项工作为评估未来的 Mamba 型分割骨干网络建立了一个可复现的标准。