🧀當前視覺領域對高效長序列建模需求激增，對Mamba+圖像增強這方向的研究自然也逐漸火熱。原因在于其高效長程建模，以及動態計算優勢，在圖像質量提升和細節恢復方面有難以替代的作用。
?
?🧀因此短時間內，就有不少Mamba+圖像增強的成果陸續發表，比較突出的有字節等團隊提出的圖像恢復網絡VmambaIR，僅使用26%的計算成本就實現了超越SOTA的重建精度，還有華為諾亞方舟實驗室等提出的基于Mamba的圖像增強方法TAMambaIR，計算效率起飛。?
?
為幫助大家緊跟領域發展，我總結了11篇熱點研究成果，有代碼的也都有
我還整理出了相關的論文+開源代碼，以下是精選部分論文
?
?
論文1
標題：
MambaUIE: Unraveling the Ocean's Secrets with Only 2.8 GFLOPs
僅用2.8 GFLOPs解開海洋秘密的MambaUIE
方法：
-
Mamba架構：基于狀態空間模型（SSM）的Mamba架構，能夠以線性復雜度對長距離依賴關系進行建模。
-
動態交互-視覺狀態空間塊（DI-VSS）：引入視覺狀態空間（VSS）塊來捕獲全局上下文信息，同時挖掘局部信息。
-
空間前饋網絡（SGFN）：設計SGFN來處理DI-VSS獲得的特征圖，進一步增強Mamba的局部建模能力。
-
動態交互塊（DIB）：通過空間交互（S-I）和通道交互（C-I）操作，動態地對兩個分支的特征圖進行加權，以更好地融合全局和局部信息。
創新點：
-
首次將Mamba應用于UIE任務：打破了FLOPs對UIE準確性的限制，為未來探索更高效的UIE提供了新的基準。
-
性能提升：相比之前的方法，MambaUIE在UIEB數據集上將GFLOPs降低了67.4%（從2.715G降低到2.8 GFLOPs），同時在PSNR和SSIM指標上取得了最佳性能。
-
全局與局部信息融合：通過DI-VSS和DIB的設計，有效地將全局和局部信息結合在一起，提高了模型的準確性和效率。
?
論文2
標題：
Mamba-UIE: Enhancing Underwater Images with Physical Model Constraint?
Mamba-UIE：用物理模型約束增強水下圖像
方法：
-
物理模型約束框架：基于修訂的水下圖像形成模型，將輸入圖像分解為四個組件：水下場景輻射度、直接傳輸圖、后向散射傳輸圖和全局背景光。
-
Mamba-UIE網絡：結合CNN和Mamba的混合架構，利用Mamba在通道和空間層面上對長距離依賴關系進行建模，同時保留CNN主干以恢復局部特征和細節。
-
重建一致性約束：在重建圖像和原始圖像之間應用重建一致性約束，以實現對水下圖像增強過程的有效物理約束。
創新點：
-
物理模型約束：通過引入物理形成模型，考慮了圖像形成過程中的物理定律和現實世界特征，提高了生成圖像的真實性和魯棒性。
-
性能提升：在UIEB數據集上，Mamba-UIE實現了27.13的PSNR和0.93的SSIM，超越了現有的最先進方法。
-
全局與局部依賴關系建模：通過結合CNN和Mamba，同時實現了全局和局部依賴關系的建模，提高了圖像增強的效果
?
論文3
標題：
O-Mamba: O-shape State-Space Model for Underwater Image Enhancement
O-Mamba：O型狀態空間模型用于水下圖像增強
方法：
-
O型雙分支網絡：采用O型雙分支網絡分別對空間和跨通道信息進行建模，利用狀態空間模型的高效全局感受野。
-
多尺度雙向促進模塊（MSBMP）：設計MSBMP模塊以增強兩個分支之間的信息交互，并有效利用多尺度信息。
-
多尺度混合專家（MS-MoE）：在每個分支內融合多尺度信息，通過多個Mamba專家學習不同尺度的特征表示。
-
循環多尺度優化策略（CMS）：通過循環優化不同尺度的損失，減少同時優化多個尺度損失時的潛在沖突。
創新點：
-
雙分支結構：通過空間Mamba分支和通道Mamba分支，從不同維度對水下圖像增強過程進行建模，空間分支起主導作用，通道分支從通道維度進行補充。
-
性能提升：在多個數據集上實現了SOTA性能，例如在LSUI數據集上，PSNR從29提升到30，SSIM從0.9139提升到0.9245。
-
多尺度信息利用：通過MS-MoE和CMS策略，充分利用多尺度信息，提高了模型對不同尺度特征的建模能力。
?
?
論文4
標題：
PixMamba: Leveraging State Space Models in a Dual-Level Architecture for Underwater Image Enhancement
PixMamba：利用狀態空間模型的雙層架構進行水下圖像增強
方法：
-
雙層架構：PixMamba包含兩個關鍵組件：用于重建增強圖像特征的Efficient Mamba Net（EMNet）和用于確保增強圖像全局一致性的PixMamba Net（PixNet）。
-
Efficient Mamba Net（EMNet）：結合Efficient Mamba Block（EMB）進行高效的塊級特征提取和依賴關系建模，以及Mamba Upsampling Block（MUB）進行細節保留的上采樣。
-
PixMamba Net（PixNet）：在像素級別處理整個圖像，捕獲全局視圖中的詳細特征，通過Block-wise Positional Embedding（BPE）提供空間信息。
-
狀態空間模型（SSM）：利用SSM的線性復雜度和長距離建模能力，實現高效的全局依賴關系建模。
創新點：
-
雙層處理：通過結合塊級和像素級處理，PixMamba能夠同時增強微觀細節和宏觀圖像質量，性能優于僅依賴跳過連接的方法。
-
性能提升：在C60數據集上，UIQM從2.667提升到2.868，UCIQE從0.574提升到0.586；在UCCS數據集上，UCIQE從0.55提升到0.561。
-
計算效率：通過引入Mamba Upsampling Block（MUB）和Block-wise Positional Embedding（BPE），在保持高效計算的同時，提高了圖像增強的質量。
?
?
?
?
?
（2026高考）持續更新~~~~)
)
