Vision Mamba 在遥感中的应用：技术、应用与展望的综合综述
计算机视觉与模式识别
2025-05-06 v2
摘要
深度学习已深刻变革了遥感领域，但卷积神经网络（CNN）和 Vision Transformer（ViT）等主流架构仍受制于关键权衡：CNN 受限于有限的感受野，而 ViT 则面临二次方计算复杂度的问题，阻碍了其在高分辨率遥感数据上的可扩展性。状态空间模型（SSM），特别是近期提出的 Mamba 架构，作为一种范式转换解决方案应运而生，将线性计算扩展性与全局上下文建模相结合。本综述对遥感中基于 Mamba 的方法进行了全面回顾，系统分析了约 120 项基于 Mamba 的遥感研究，构建了涵盖创新与应用的整体分类体系。我们的贡献围绕五个维度展开： Vision Mamba 架构的基本原理， 自适应扫描策略和混合 SSM 公式等微观架构进展， CNN-Transformer-Mamba 混合架构和频域适应等宏观架构集成， 在目标检测、语义分割、变化检测等多个应用任务上与 SOTA 方法的严格基准测试，以及 对未解决挑战的批判性分析及可操作的未来方向。通过弥合 SSM 理论与遥感实践之间的差距，本综述确立了 Mamba 作为遥感分析的变革性框架的地位。据我们所知，本文是首篇关于遥感中 Mamba 架构的系统综述。我们的工作为通过基于 SSM 的方法推进遥感系统研究提供了结构化基础。我们策划了一个开源仓库（https://github.com/BaoBao0926/Awesome-Mamba-in-Remote-Sensing）以促进社区驱动的发展。
引用
@article{arxiv.2505.00630,
title = {Vision Mamba in Remote Sensing: A Comprehensive Survey of Techniques, Applications and Outlook},
author = {Muyi Bao and Shuchang Lyu and Zhaoyang Xu and Huiyu Zhou and Jinchang Ren and Shiming Xiang and Xiangtai Li and Guangliang Cheng},
journal= {arXiv preprint arXiv:2505.00630},
year = {2025}
}