Mamba-CNN：一种用于高效准确面部美观度预测的混合架构
计算机视觉与模式识别
2025-09-03 v1
摘要
面部吸引力的计算评估是一项具有挑战性的主观回归任务，目前主流架构存在一个关键权衡：卷积神经网络（CNN）效率高但感受野有限，而视觉Transformer（ViT）能以二次计算成本建模全局上下文。为了解决这个问题，我们提出了 Mamba-CNN，一种新颖且高效的混合架构。Mamba-CNN 将一个轻量级的、受 Mamba 启发的状态空间模型（SSM）门控机制集成到分层卷积骨干网络中。这一核心创新使得网络能够动态调制特征图，并选择性地强调显著的面部特征及其长程空间关系，在保持计算效率的同时，模拟了人类的整体感知。我们在广泛使用的 SCUT-FBP5500 基准上进行了大量实验，我们的模型在该基准上达到了新的最优水平。Mamba-CNN 实现了 0.9187 的皮尔逊相关系数（PC）、0.2022 的平均绝对误差（MAE）和 0.2610 的均方根误差（RMSE）。我们的发现验证了将 CNN 与选择性 SSM 相结合的协同潜力，并为精细的视觉理解任务提供了一种强大的新架构范式。
引用
@article{arxiv.2509.01431,
title = {Mamba-CNN: A Hybrid Architecture for Efficient and Accurate Facial Beauty Prediction},
author = {Djamel Eddine Boukhari},
journal= {arXiv preprint arXiv:2509.01431},
year = {2025}
}