狂发顶会的Mamba，融合傅里叶变换再出神作！

神奇，发现个图像处理、信号处理领域比较新的发文方向： 傅里叶变换+Mamba。 核心优势在于通过增强频率相关性建模和优化计算过程，可以显著提升信号和图像处理的效果与效率，应用场景已扩展到了医学影像分析、视频时序建模等各种任务。

这方向近期的研究趋势逐渐火爆，新成果有图像去雨框架Fouriermamba，去雨性能超越SOTA；还有新型3D医学图像分割框架EM-Net，参数量比SOTA少一半，训练速度快了2倍...这些成果主要是围绕 算法层面的创新 。

如果大家想入手，除了上面热门的角度，还推荐往 频域动态建模、跨模态分析和硬件加速 等细分方向考虑，趁着还不太卷抓紧上车。我这边整理了 11篇 傅里叶变换+Mamba新论文（有代码） ，需要参考的同学不用多花时间了，直接来拿~

扫码 添加小享，回复“ 傅里叶曼巴 ”

免费获取 全部 论 文+开源代码

Fouriermamba: Fourier learning integration with state space models for image deraining

方法： 本文提出了一种新颖的图像去雨框架FourierMamba，通过在傅里叶域利用mamba来关联频率信息，充分利用频率信息以提升去雨效果，并通过在空间和通道维度设计的扫描方法优化频率排列，从而弥补现有研究在频率信息利用上的不足。

创新点：

• 提出了一种名为 FourierMamba 的新框架，将 Mamba 引入傅里叶空间以关联频率信息，从而充分利用频率信息来提升图像去雨效果。
• 在傅里叶空间的扫描方法上进行了改进，提出了两种基于曲折线的扫描方法，提升了频率相关性的系统化。

EM-Net: Efficient Channel and Frequency Learning with Mamba for 3D Medical Image Segmentation

方法： 论文的核心创新在于将Mamba模型的高效序列建模能力与傅里叶变换的频域学习相结合，通过CSRM模块和EFL层实现了高效的通道选择和特征学习，显著提升了3D医学图像分割的性能和效率。

创新点：

• EM-Net提出了一个新颖的通道压缩强化Mamba（CSRM）模块，用于3D医学图像分割。
• 引入EFL层，通过快速傅里叶变换实现频域学习，以平衡全球与局部特征的学习。
• EM-Net采用了Mamba增强解码器，保留解码阶段细节的同时，通过强化特征选择和整合能力，进一步提升了分割性能。

扫码 添加小享，回复“ 傅里叶曼巴