FusionMamba：基于状态空间模型的高效图像融合

本研究探讨了视觉状态空间模型在轻量级模型设计中的应用，提出了高效模型EfficientVMamba。

EfficientVMamba结合了卷积和状态空间模块，显著提升了视觉任务的性能。

实验结果显示，EfficientVMamba在计算复杂性上有所降低，并在多个视觉任务中表现优异。

EfficientVMamba-S在ImageNet上对比1.3G FLOPs的Vim-Ti取得了5.6%的准确率提升。

nnMamba架构通过整合状态空间序列模型（SSMs）和卷积残差块，展现出在医学图像分析中的卓越性能。

RSMamba是一种新型架构，通过动态多路径激活机制增强了对非因果数据的建模能力。

Pan-Mamba是一种新型pan-sharpening网络，通过轻量级的交叉模态交互实现高效的信息表示和融合。

MambaIR模型利用卷积和通道注意力增强了vanilla Mamba的能力，取得了优越的性能。

VmambaIR通过引入线性复杂度的状态空间模型，克服了单向建模限制，在多个图像恢复任务上表现出色。

TM-UNet通过深度上下文特征提取和特征融合，展示了卓越的分割性能，并减少了参数数量。

RS3Mamba是一种新型双分支网络，用于遥感图像语义分割任务，证明了其有效性和潜力。

Samba框架采用编码器-解码器架构，在高分辨率遥感图像的语义分割中取得了前所未有的性能。