超越Transformer！Mamba入局图像复原，达成新SOTA！

图像复原又来新突破了！ 还记得性能超越SwinIR（基于Transformer）的MambaIR吗？一种基于Mamba的图像复原基准模型，登上ECCV 2024。最近原作者又开发了新版本MambaIRv2，更高性能、更高效率！另外还有ACM MM 2024上的Freqmamba方法，在图像去雨任务中取得了SOTA性能！

显然，这种基于Mamba的方法在图像复原领域，比基于CNN和Transformer的方法更受欢迎。得益于Mamba全局感受野、线性计算复杂度、高效远程依赖处理等诸多优势，它在图像复原（比如超分辨率、去噪等）任务上实现了 更高的复原质量和更低的计算成本 ！可以说是图像增强领域的研究焦点。

目前这方向研究热情高涨，顶会成果多，为了帮论文er抓紧机会，我已经挑选好了 10篇 Mamba做图像复原的高质量论文 供大家参考，基本都有代码，想速发论文拿下顶会的别错过啦。

扫码添加小享， 回复“ 曼巴复原 ”

免费获取 全部论文+开源代码

MambaIRv2: Attentive State Space Restoration

方法： 论文提出了一种基于Mamba架构的图像复原方法MambaIRv2，通过引入非因果建模能力，类似于ViT，来增强Mamba的图像复原性能。这种方法特别关注解决Mamba在因果建模中的局限性，允许模型在整个图像中更有效地利用像素信息，从而提高图像复原任务的性能，如超分辨率、去噪和JPEG压缩减少等。

创新点：

• 提出了“注意力状态空间恢复”的新方法，通过将注意力机制与状态空间模型结合，克服了Mamba架构的因果建模限制。
• 通过语义引导的邻域重构，作者将相似像素在一维序列中重新排列，使其更加接近。

Freqmamba: Viewing mamba from a frequency perspective for image deraining

方法： 论文提出了一种名为FreqMamba的图像复原方法。FreqMamba结合了Mamba模型和频率分析，专注于图像去雨任务。该方法通过结合频率分析和Mamba的状态空间模型来提高去雨效果，包括空间Mamba、频率带Mamba和傅里叶全局建模三个交互结构，旨在利用Mamba捕捉局部相关性的能力，同时通过频率分析增强对全局退化的感知。

创新点：

• FreqMamba 是一种创新性的去雨网络，通过结合空间域序列建模和频率域全局建模，以应对图像去雨的挑战。
• 引入了一种新颖的三分支结构用于低光图像增强，成功应对照明不足和噪声放大的场景。
• 频率SSM模块利用多尺度U-Net架构，并结合不同尺度的降解图像生成注意力图，捕获不同尺度的降解分布。

扫码添加小享， 回复“