本文提出了Mamba-UNet架构，结合了U-Net和Mamba的优势，显著提升医学图像分割性能。VM-UNetV2通过引入Visual Mamba编码器-解码器结构和跳跃连接，在多个数据集上表现出色。此外，CM-UNet和MiM模型在遥感图像分割和高光谱图像分类中也展现了有效性，推动了相关技术的发展。

基于Transformer架构的Mamba模型通过改进状态空间模型（SSMs），实现了更快的推理速度和线性扩展，适用于语言、音频和基因组等多个模态。Graph-Mamba增强了图网络的长程上下文建模，SSAMBA在音频表示学习中表现优异。PointMamba在点云分析中超越传统模型，Mamba-ND扩展至多维数据，BlackMamba结合了SSM和MoE的优势。Zamba和SiMBA在性能上与领先模型相当，Samba在高分辨率遥感图像分割中设立新基准。

该文综述了利用弱监督、远程监督和预训练方法降低遥感图像分割标注成本的研究，涵盖道路分割、超高分辨率无人机图像、卫星地图生成和点云理解等任务，通过图像级标签、查询点、OpenStreetMap数据等弱标签，结合全卷积网络和SAM模型，在减少标注工作量的同时达到接近全监督的性能。