CNN+Mamba+UNet，“三巨头” 合体！

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“