PathMamba：用于卫星图像中拓扑连通道路分割的混合 Mamba-Transformer 架构

在卫星图像上实现道路分割的高精度和拓扑连续性是从城市规划到灾后响应等应用场景的关键目标。现有方法常依赖 Vision Transformer，虽擅长捕获全局上下文，但其二次时间复杂度是资源受限平台（尤其是载板处理）部署的重要障碍。相比之下，新兴的 State Space Model 如 Mamba 具备线性时间效率，天然适合建模长周期连续结构。我们认为这两种架构具有互补的优势。为此，我们提出 PathMamba，一种新型混合架构，将 Mamba 的序列建模与 Transformer 的全局推理相结合。我们的设计战略性地使用 Mamba 块来追踪道路网络的连续性，保持拓扑结构；同时集成 Transformer 块以全局上下文细化特征。该方法在不采用纯注意力模型高昂计算成本的情况下，实现了拓扑更优的分割图。我们在 DeepGlobe Road Extraction 和 Massachusetts Roads 数据集上进行实验，证明 PathMamba 达到了新的状态突破。显著地，它在以 APLS 指标衡量的拓扑连续性方面显著提升，同时保持计算竞争力。