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。

本文介绍了多种基于 SMM-CNN 结构的医学图像合成方法，如 VM-DDPM、MDM 和 I2I-Mamba。这些方法在高分辨率图像生成方面取得了显著进展，通过新型模型和架构提升了生成质量和计算效率，尤其在多模式图像融合和高光谱图像分类任务中表现优异，展现了强大的泛化能力和应用潜力。

HSIMamba是一种高效的双向反卷积神经网络，结合了Transformer注意机制，显著提升了高光谱图像分类的准确性和计算效率。该方法在多个数据集上表现优异，尤其适合计算资源有限的环境。基于Mamba的FusionMamba框架在图像融合、异常检测和运动生成等任务中也展现了卓越性能，推动了遥感和计算机视觉的发展。

该综述探讨了基于深度学习的高光谱图像分类方法。3D-CNN可融合空间光谱特征，结合降维能提升性能与鲁棒性；端到端架构减少训练数据需求；贝叶斯框架结合CNN与Alpha-Expansion算法表现优异；PCA预处理配合迁移学习可缩短训练时间并提高准确率；HSID-CNN通过多尺度特征提取实现去噪；级联循环神经网络可消除冗余信息。

本文综述高光谱图像分类与降维方法：利用互信息和阈值选择相关波段并控制冗余；采用凸包方法选取关键像素与波长以去除冗余信息；提出SuperPCA超像素PCA学习低维特征；在实时检测中用主成分分析加速处理；提出小目标感知检测器STAD及知识蒸馏策略；综述基于图和注意力机制的深度学习方法；提出多视图变换器（MPCA、SED、SPTT）以避免空间过拟合，实验性能优于现有方法。