分享一个高潜力、高回报的研究方向（尤其在图像分割领域）：
CNN+Mamba+UNet。
一方面，这种组合融合了CNN的局部特征提取能力、Mamba的全局建模能力和UNet的结构特点，实现更全面的特征理解；另一方面，这一架构凭借高效建模能力与多模态适应性，已成为遥感、医学、视频分析等领域的创新标杆，相关研究在CVPR、AAAI等顶会中占比飙升，堪称发Paper的“黄金配方”！
可见，各大顶会对这类融合模型接受度还是很高的，如果大家感兴趣，我建议就从模块设计或跨领域应用切入，结合开源代码快速验证。我这边整理好了
10篇
CNN+Mamba+UNet新论文
可用作参考，代码也有，需要的同学速领。
扫码添加小享，
回复“
CMU结合
”
免费获取
全部论文+开源代码
Hetero-UNet: Heterogeneous Transformer with Mambafor Medical Image Segmentation
方法：
论文提出了一种名为 Hetero-UNet 的新型混合医学图像分割模型，将 CNN、Mamba和 U-Net 结合起来，充分利用CNN的局部特征提取能力、Mamba的长距离依赖建模能力以及U-Net的编码器-解码器架构，以提升医学图像分割的性能。
创新点：
-
Hetero-UNet引入了一种混合的分割架构，结合了基于SSM的Transformer编码器和U形结构。
-
在Hetero-UNet中，提出了混合Transformer-Mamba（TransMamba）编码器。该编码器由多个TransMamba块组成，每个块集成了SSM块和额外的注意力模块。
EGCM-UNet: Edge Guided Hybrid CNN-Mamba UNet for farmland remote sensing image semantic segmentation
方法：
论文介绍了一个名为 EGCM-UNet的模型，它结合了 CNN、Mamba 和 UNet的能力，用于农田遥感图像的语义分割任务。该模型通过引入边缘信息分支ORCEB增强边缘特征提取，并利用VSS块和EGSAM模块实现多特征融合，实验证明其在提高农田分割性能方面具有显著优势。
创新点：
-
开发了EGCM-UNet模型，通过结合卷积神经网络（CNN）与选择性状态空间模型（Mamba），有效提高了农业遥感图像的语义分割精度。
-
在EGCM-UNet中，引入了定向残差卷积边缘分支（ORCEB），用于从图像中提取初步边缘数据，从而突出局部特征并指导分割过程。
扫码添加小享，
回复“
CMU结合
”
免费获取
全部论文+开源代码
HCMA-UNet: A Hybrid CNN-Mamba UNet with Inter-Slice Self-Attention for Efficient Breast Cancer Segmentation
方法：
论文提出HCMA-UNet，将CNN的局部特征提取能力与Mamba的长序列建模能力结合到UNet架构中，通过多视图间切片自注意力模块（MISM）实现高效3D特征提取，提升乳腺癌病灶分割性能。
创新点：
-
提出HCMA-UNet网络：将轻量级CNN与Mamba架构结合，通过MISM模块实现多方向特征提取，提升分割性能。
-
设计FRLoss损失函数：通过正样本紧凑性、边界感知和困难负样本挖掘三个部分，增强模型对复杂图像的分割精度。
UNetMamba: An Efficient UNet-Like Mamba for Semantic Segmentation of High-Resolution Remote Sensing Images
