SpectralMamba-UNet：基于频谱域频率解耦的状态空间建模用于医学图像分割
计算机视觉与模式识别
2026-02-27 v1
摘要
准确的医学图像分割需要有效地建模全球解剖结构和细粒度边界细节。最近的状态空间模型（如Vision Mamba）提供了高效的长程依赖建模能力。然而，这些模型的单维序列化会削弱局部空间连续性和高频表征。为此，我们提出SpectralMamba-UNet，一种基于频谱域频率解耦的框架，用于分离结构和纹理信息的学习。我们的谱分解建模（SDM）模块应用离散余弦变换（DCT）分解低频和高频特征，其中低频通过频域Mamba贡献全局语境建模，高频保留边界敏感细节。为平衡频谱贡献，我们引入谱通道重加权（SCR）机制以形成频率感知的通道注意力，并引入谱引导融合（SGF）模块以实现解码器中的自适应多尺度融合。在五个公开基准测试上进行的实验表明，本方法在 diverse modalities and segmentation targets 之间一致性改进，验证了方法有效性和通用性。
关键词
引用
@article{arxiv.2602.23103,
title = {SpectralMamba-UNet: Frequency-Disentangled State Space Modeling for Texture-Structure Consistent Medical Image Segmentation},
author = {Fuhao Zhang and Lei Liu and Jialin Zhang and Ya-Nan Zhang and Nan Mu},
journal= {arXiv preprint arXiv:2602.23103},
year = {2026}
}