Mamba还能这么玩？新SOTA横扫14个图像修复任务，计算量降低150倍！
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
用Mamba做图像修复是个值得关注的新兴方向，核心优势在于Mamba的长序列建模能力，可以替代Transformer，在高分辨率或复杂场景的实时修复等任务中优势显著。
这意味着，Mamba+图像修复会在热门的医学图像、自动驾驶等领域发展迅猛，落地前景可观。再加上，近年主流顶会（比如CVPR）对SSM类模型接受度较高，比如横扫14个图像修复任务的MaIR、降低150倍计算复杂度的Serpent…非常适合有论文需求的同学研究。
本文整理了10篇Mamba+图像修复2025新论文，大多都开源了，想快速出成果的同学可以直接拿来做参考，同时也建议从架构设计、任务适配、理论创新、轻量化等角度做创新，比较容易上手。
扫码添加小享，回复“曼巴修复”
免费获取全部论文+开源代码
方法：论文提出了一种名为Serpent的图像修复方法，它基于Mamba状态空间模型，通过多尺度处理高效建模图像中的长距离依赖。相比传统方法，Serpent在高分辨率图像修复中大幅降低了计算量和内存需求，同时保持了优秀的修复效果。
创新点：
使用Mamba模型，实现线性复杂度的长距离依赖建模。
设计了一种分层架构，将输入图像划分为多个尺度进行处理，利用Mamba模型在每个尺度上高效地建模长距离依赖
在高分辨率图像修复中，实现了高达150倍的计算复杂度降低和5倍的GPU内存需求减少，同时保持高质量的修复效果。
方法：论文提出了一种基于Mamba的图像修复模型MaIR，通过设计NSS策略和SSA块，在保留图像局部性和连续性的同时，高效地捕捉长距离依赖关系，从而在多种图像修复任务（如超分辨率、去噪、去模糊和去雾）中取得了优异的性能。
创新点：
提出NSS策略，通过基于条带的扫描区域和S形扫描路径，同时保留图像的局部性和连续性。
设计SSA块，通过计算不同序列对应通道的注意力权重来聚合序列，有效利用不同方向的互补信息。
在多个图像修复任务上，MaIR在14个数据集上超越了40个基线方法，取得了最先进的性能。
扫码添加小享，回复“曼巴修复”
免费获取全部论文+开源代码
方法：论文提出了一种名为Q-MambaIR的图像修复方法，通过动态调整量化范围和灵活舍入机制，解决了低比特量化时的误差问题，显著提升了图像修复的准确性和效率。
创新点：
提出动态平衡可学习标量，动态调整量化范围以适应输入数据分布，减少异常值导致的截断损失。
设计范围浮动灵活分配器，通过自适应阈值灵活舍入值，保留高频细节并维持特征提取能力。
在低比特量化下，Q-MambaIR显著优于现有方法，且几乎不增加训练计算和存储开销，适合在资源受限设备上部署。
方法：论文提出了一种名为M×T的图像修复方法，结合了Mamba和Transformer的优势。通过混合模块实现两者的协同作用，M×T在图像修复任务中表现出色，尤其在细节和上下文一致性方面优于现有方法。
创新点：
提出了一种结合Mamba和Transformer的新型混合模块，用于图像修复任务，充分发挥两者的优势。
通过在像素级和块级进行双重交互学习，显著提升了图像修复的细节和上下文一致性。
在CelebA-HQ和Places2数据集上实现了优于现有最先进方法的性能，并且能够高效处理高分辨率图像。
扫码添加小享，回复“曼巴修复”
免费获取全部论文+开源代码
