MixerCSeg：一种用于裂缝分割的高效混合器架构，基于解耦合的 Mamba 注意力机制
计算机视觉与模式识别
2026-03-03 v1 人工智能
摘要
特征编码器在像素级裂缝分割中发挥关键作用，通过塑造细小纹理和细小结构的表征。现有的基于 CNN、Transformer 和 Mamba 的模型仅捕获部分所需的空间或结构信息，导致对复杂裂缝模式建模存在明显缺口。为此，我们提出了 MixerCSeg，这是一种类似由专业团队协调工作的混合器架构，其中 CNN 类路径专注于局部纹理，Transformer 样式路径捕获全局依赖关系，Mamba 启发的路径在单个编码器中建模序列上下文。在 MixerCSeg 的核心是 TransMixer，它探索了 Mamba 的潜在注意力行为，同时建立专门的路径，自然地表达局部性和全局意识。为进一步增强结构保真度，我们引入了空间块处理策略和方向引导的边缘门控卷积 (DEGConv)，在最小计算开销下强化了不规则裂缝几何下的边缘灵敏度。随后采用空间细化多尺度融合 (SRF) 模块，对多尺度细节进行细化，而不会增加复杂度。对多个裂缝分割基准进行大量实验表明，MixerCSeg 以仅 2.05 GFLOPs 和 2.54 M 参数实现了最先进的性能，显示出高效性和强大的表征能力。代码已公开于 https://github.com/spiderforest/MixerCSeg。
引用
@article{arxiv.2603.01361,
title = {MixerCSeg: An Efficient Mixer Architecture for Crack Segmentation via Decoupled Mamba Attention},
author = {Zilong Zhao and Zhengming Ding and Pei Niu and Wenhao Sun and Feng Guo},
journal= {arXiv preprint arXiv:2603.01361},
year = {2026}
}
备注
Accepted by CVPR 2026