(CVPR 2025)可变形Mamba再度进化！SOTA性能炸裂，涨点起飞
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
今年看mamba又中了一堆顶会，尤其CVPR2025，这发文潜力有目共睹。其中比较值得关注的有个可变形Mamba，大连理工发布的DefMamba，全球首个可变形扫描视觉Mamba框架，实现四大任务性能全面SOTA。
可变形Mamba作为SSM的动态扩展，拥有“动态效率平衡”核心优势，它的理论延展性和应用多样性（医疗、生物）为研究提供了多个发力点，创新空间可观。今年推荐各位论文er优先以医疗影像分割与视频时序建模作为突破场景，再结合混合架构、3D扩展搞创新，发高区机会大。
为帮助各位快速了解前沿，我整理了10篇可变形Mamba新成果，有代码的已经附上了，方便大家复现找思路，有问题欢迎一起讨论~
扫码添加小享，回复“可变形M”
免费获取全部论文+开源代码
方法：论文提出了一种名为DefMamba的新型视觉模型，通过可变形扫描策略动态调整扫描路径，优先关注重要信息，解决了传统Mamba模型固定扫描路径导致的空间结构信息丢失问题，显著提升了图像分类、目标检测和分割等任务的性能。
创新点：
提可变形扫描策略，动态调路径以聚焦重要信息，解固定路径致结构信息丢问题。
引可变形Mamba模块，靠偏移量改参考点与顺序，增细节感知力。
于多尺度骨干结构结合该策略，提图像分类、检测、分割等任务性能。
方法：论文提出SDMamba，通过稀疏可变形序列动态生成稀疏的Mamba序列，减少冗余和计算成本。它包含两个模块：稀疏可变形空间模块和稀疏可变形光谱模块，分别提取空间和光谱信息，并通过注意力机制融合输出，提升高光谱图像分类的性能。
创新点:
提出稀疏可变形序列，动态生成稀疏且可变形的Mamba序列，减少冗余和计算成本。
设计稀疏可变形空间模块和稀疏可变形光谱模块，分别提取空间和光谱信息。
采用基于注意力机制的特征融合方法，将两个模块的输出进行融合，提升高光谱图像分类性能。
扫码添加小享，回复“可变形M”
免费获取全部论文+开源代码
方法：论文提出了一种名为Deform-Mamba的MRI超分辨率网络。它通过结合可变形卷积和Mamba模块，同时提取图像的局部和全局特征，并通过对比边缘损失（CELoss）增强边缘和对比度的重建效果。
创新点：
提出Deform-Mamba模块，融合可变形卷积和Mamba模块，同时提取图像局部和全局特征。
设计多视图上下文模块，增强瓶颈层的多尺度语义信息提取能力。
引入对比边缘损失（CELoss），优化图像边缘和对比度的重建效果。
方法：论文提拓扑引导可变形Mamba（TGDM）法用于肋软骨分割。结合拓扑先验与可变形模型，借Mamba模块能力捕捉空间关系。分两阶段：一阶段用轻量级U-Net获粗略位置；二阶段引入PSM、GDM模块，提高分割精度与鲁棒性。
创新点：
提出拓扑引导可变形Mamba（TGDM）框架，结合拓扑先验和可变形模型，专门用于肋软骨分割。
设计位置偏移Mamba（PSM）和分组可变形Mamba（GDM）模块，分别用于获取拓扑先验和建模长距离关系。
构建了一个包含165个病例的肋软骨分割基准数据集，并在该数据集上验证了方法的有效性。
扫码添加小享，回复“可变形M”
免费获取全部论文+开源代码
