OverlapMamba：一种基于 LiDAR 的位点识别的新型移动状态空间模型

基于 Mamba 算法的图像融合网络 LE-Mamba 在多光谱和高光谱图像融合中取得了最先进的结果。

nnMamba 架构通过整合状态空间序列模型，能够提取局部特征并建模复杂依赖关系，在医学图像分析中表现出卓越性能。

MambaAD 方法在多类无监督异常检测中展示了 SoTA 性能，包含预训练编码器和 Mamba 解码器。

PointMamba 框架通过重新排序策略增强全局建模能力，在点云分析中超越基于 transformer 的模型，节省了参数和计算资源。

一致遍历序列化方法将点云转换为 1D 点序列，确保相邻点空间相邻，增强了 Mamba 对点云数据的观察能力。

Point Cloud Mamba 网络结合局部建模和全局建模，在多个数据集上取得了新的 SOTA 性能。

MambaMOS 方法利用时间线索和运动感知状态空间模型解决了三维运动物体分割中的弱关联时空信息问题。

Mamba3D 模型在点云学习中超越了 Transformer，展现出高效性和可扩展性，达到了高准确性。

Point Mamba 具有因果感知的排序机制，在点云理解中展现出巨大的潜力，具有线性复杂度。

RS3Mamba 网络用于遥感图像语义分割任务，实验证明其有效性和潜力。