基于频率门控Mamba的通用高效医学图像超分辨率
计算机视觉与模式识别
2025-11-03 v1
摘要
医学图像超分辨率（SR）是提高诊断准确性同时降低获取成本和扫描时间的关键技术。然而，在低计算开销下建模长程解剖结构与细粒度频率细节 remains 挑战。我们提出了 FGMamba，这是一种新颖的频率感知门控状态空间模型，通过轻量化架构统一全局依赖建模和细节增强。本方法引入了两个关键创新：集成高效状态空间建模与双分支空间和通道注意力的 Gated Attention 增强状态空间模块（GASM），以及通过 FFT 指导融合捕获多分辨率下高频细节的金字塔频率融合模块（PFFM）。在 Ultrasound、OCT、MRI、CT 和内窥镜等五种医学成像模态上进行的大规模评估表明，FGMamba 在保持紧凑参数规模（<0.75M）的同时，实现了优于基于 CNN 和基于 Transformer 的最新方法的更优 PSNR/SSIM。我们的结果验证了频率感知状态空间建模在可扩展且准确医学图像增强方面的有效性。
引用
@article{arxiv.2510.27296,
title = {Versatile and Efficient Medical Image Super-Resolution Via Frequency-Gated Mamba},
author = {Wenfeng Huang and Xiangyun Liao and Wei Cao and Wenjing Jia and Weixin Si},
journal= {arXiv preprint arXiv:2510.27296},
year = {2025}
}