本文总结了将Mamba应用至遥感领域的相关论文（14篇），涉及到的论文见文末链接，具体如下：

文章目录

1. 遥感图像处理2. 多/高光谱图像分类3. 变化检测/语义分割4. 遥感图像融合/超分辨率

1. 遥感图像处理

论文题目：Pan-Mamba: Effective pan-sharpening with State Space Model论文链接：https://arxiv.org/pdf/2402.12192

**【主要内容】：**将mamba应用到Pan-sharpening中提出Pan-Mamba，提出了两个核心模块：

Channel Swapping Mamba Block：通过部分全色和多光谱通道的交换启动轻量级的跨模态交互Cross modality Mamba Block：通过利用固有的跨模态关系增强信息表示能力

论文题目：HSIDMamba: Exploring Bidirectional State-Space Models for Hyperspectral Denoising论文链接：https://arxiv.org/pdf/2404.09697

【主要内容】：将Mamba应用到高光谱成像（HSI）去噪中提出了HSIDMamba（HSDM），主要模块如上图所示：模块关系如下：

Spectral Attention ⊆ Bidirectional State Space Module ⊆ Hyper Continuous Scan Block

Spectral Attention：见图中©，由平均池化、二维卷积等组成的注意力模块Bidirectional State Space Module：见图中(b)，由DWConv 和 SS2D等模块组成Hyper Continuous Scan Block：将上面两个模块结合残差连接和transformer结构组成。

2. 多/高光谱图像分类

论文题目：RSMamba: Remote Sensing Image Classification with State Space Model论文链接：https://arxiv.org/pdf/2403.19654

【主要内容】：将Mamba直接应用到遥感图像分类任务上，由于Mamba模型处理1D数据，而遥感图像往往至少2D，因此提出了一种动态多路径激活机制（Multi-Path SSM Encoder）来增强 Mamba 对非因果数据的建模能力。

**Multi-Path SSM Encoder：**总体上来看先用卷积提取遥感图像特征，flatten后加入position encoding。（有点类似于vit中的patch embedding

论文题目：SpectralMamba: Efficient Mamba for Hyperspectral Image Classification论文链接：https://arxiv.org/pdf/2404.08489

【主要内容】：将Mamba应用至高光谱图像分类中提出SpectralMamba。包括三个核心模块：

**Piece-wise Sequential Scanning（PSS）：**沿光谱维度的分段顺序扫描（与空间维度相区分）**Gated Spatial-Spectral Merging（GSSM）：**用门控机制，把空间维度和光谱维度特征融合**Efficient Selective State Space Modeling：**状态空间模型

根据Fig3具体流程如下：

先把高光谱影像分块，得到patch wise input后通过卷积、残差连接等模块把空间维度的特征融合（图像分类，消除空间维度）经过PSS模块丰富通道信息，进而通过GSSM模块和S6模块融合特征最终通过一个MLP进行图像分类

论文题目：Spectral-Spatial Mamba for Hyperspectral Image Classification论文链接：https://arxiv.org/pdf/2404.18401

【主要内容】：用于高光谱图像（HSI）分类，提出SS-Mamba（两个S分别表示Spectral和Spatial）。根据上图结构可知主要流程如下：

（1）把输入影像在Spectral和Spatial两个维度上分块，同时加上position encoding（类似于VIT中对图像进行patch embedding，针对的维度不同）（2）将上述特征分别通过两个Mamba Block，利用Addition、Copy、Activation以及Linear Layer等操作进行特征融合。（3）求平均后接一个Linear Classifier（例如MLP）

其中关键在于（1）分块和（2）特征融合

论文题目：S2Mamba: A Spatial-spectral State Space Model for Hyperspectral Image Classification论文链接：https://arxiv.org/pdf/2404.18213

【主要内容】：用于高光谱图像（HSI）分类，提出SS-Mamba。由图中Main Framework可知，主要有三个模块：

PCS（Patch Cross Scanning Mechanism）：通道扫描、生成patch embedding，得到空间维度特征BSS（Bi-directional Spectral Scanning Mechanism）：生成路径，匹配光谱，得到光谱维度特征SMG（Spatial-spectral Mixture Gate）：利用门控机制融合两种特征

3. 变化检测/语义分割

论文题目：ChangeMamba: Remote Sensing Change Detection with Spatio-Temporal State Space Model论文链接：https://arxiv.org/pdf/2404.03425

【主要内容】：将Mamba用于遥感图像变化检测，提出ChangeMamba，为三个变化检测任务提供了丰富的编码器和解码器。模型架构图有点类似于Swin Transformer的4个Stage，充分贯彻多尺度特征融合，工作量饱满，建议阅读原文。

论文题目：RSCaMa: Remote Sensing Image Change Captioning with State Space Model论文链接：https://arxiv.org/pdf/2404.18895

【主要内容】：将Mamba用于遥感图像变化检测，提出RSCaMa。模型通过多个CaMa层实现了高效的联合空间-时间建模，其中CaMa层中包含SD-SSM和TT-SSM。利用Mamba状态空间模型的全局感知场和线性复杂度对空间、时间特征交叉建模

SD-SSM：Spatial Difference-aware：空间维度上建模TT-SSM：Temporal-Traversing：时间维度上建模

论文题目：Samba: Semantic Segmentation of Remotely Sensed Images with State Space Model论文链接：https://arxiv.org/pdf/2404.01705

【主要内容】：将Mamba应用至高分辨率遥感图像分割领域，提出Samba。由图可知主要创新在于Samba Block

Samba Block：由一个MLP和一个Mamba Block，并各自采用残差连接组成。Mamba Block：由SSM和Conv、Linear等模块组成。

论文题目：RS3Mamba: Visual State Space Model for Remote Sensing Images Semantic Segmentation论文链接：https://arxiv.org/pdf/2404.02457

【主要内容】：将Mamba用于遥感图像变化检测，提出RS3Mamba。由图可知模型采用一个Main Encoder和一个Auxiliary Encoder，Decoder采用UNetformer中的解码器。主要创新点在于Auxiliary Encoder中的VSS block和Main Encoder中的CCM

VSS block：常规的Linear、LayerNorm以及SS2D（2D-selective-scan）CCM：用Window-based attention提取全局注意力特征，用卷积提取局部注意力特征，然后将两者融合。

论文题目：RS-Mamba for Large Remote Sensing Image Dense Prediction论文链接：https://arxiv.org/pdf/2404.02668

【主要内容】：将Mamba应用至遥感图像分割和变化检测中，提出RSM-SS和RSM-CD。由图可知主要为包含OSSM的OSS Block

OSSM：将图像分块后按照8个方向排序，分别送入SSM Block提取特征然后融合OSS Block：OSSM 联合 DW卷积、Linear等模块一起组成OSS Block

4. 遥感图像融合/超分辨率

论文题目：FusionMamba: Efficient Image Fusion with State Space Model论文链接：https://arxiv.org/pdf/2404.07932

【主要内容】：将Mamba应用于遥感图像融合中，提出U形结构的 spatial U-Net 和 spectral U-Net。由图可知，其中主要用到的模块是Mamba Block和FusionMamba Block

Mamba Block：并联多个SSM处理特征，同样经过一个残差连接融合特征FusionMamba Block：两个并行的多FSSM处理特征，其中FSSM是将SSM扩展适应双输入。

论文题目：A Novel State Space Model with Local Enhancement and State Sharing for Image Fusion论文链接：https://arxiv.org/pdf/2404.09293

【主要内容】：为图像融合任务定制和改进了视觉Mamba网络。由图可知主要是LEVM模块（Local-Enhanced vision Mamba），具体如下

a)：用local window将影像分块，每一个块内采用VMamba模块，同时块间共享信息b)：常规SS2D、Linear、FFN等模块组成VMambac)：将window内的局部信息和window间融合的全局信息串联+残差连接，构成LEVM blockd)：将低、高分辨率影像分别通过多个LEVM Layer处理，结构类似于Unet

论文题目：Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution论文链接：https://arxiv.org/pdf/2405.04964

【主要内容】：将Mamba应用至遥感图像（RSI）超分辨率（SR）中提出FMSR（频率辅助Mamba框架）。主要提出FMB模块，其中包含VSSM、HGM、FSM三个重要部分

VSSM：Vision State Space Module，基于SSM搭建的视觉SSM模块HGM：Hybrid Gate Module，基于Attention，Linear，Conv等搭建的门控模块FSM：Frequency Selection Module，基于2D快速傅里叶变换搭建的模块

近期将Mamba应用至遥感领域中的工作很多，做一点小结：

遥感图像离不开多尺度，高光谱离不开通道维度上的特征处理把二维图像以某种形式转为一维序列让SSM来处理，很多工作都在扫描方式上进行了改进感觉Swin Transformer的窗口思路和Unet的结构在搭模型的时候要使用变化检测更多是2个时相，如果是多个时相的变化检测会不会可以更好的变换序列特征

论文pdf链接：https://pan.baidu.com/s/1rFn6pxTC5srOzmpeznyDag

提取码：o6aw