CU-Mamba: Selective State Space Models with Channel Learning for Image Restoration

重建受损图像是图像处理中的一个关键任务。虽然卷积神经网络和基于Transformer的模型在这个领域很流行，但它们存在固有的局限性，比如对长程依赖建模不足和高计算成本。为了克服这些问题，我们引入了Channel-Aware U-Shaped Mamba (CU-Mamba)模型，它将双重状态空间模型（SSM）框架融入U-Net架构中。CU-Mamba采用空间SSM模块进行全局上下文编码，采用通道SSM组件来保留通道相关特征，相对于特征图大小具有线性计算复杂度。广泛的实验结果验证了CU-Mamba相对于现有最先进方法的优越性，强调了在图像恢复中整合空间和通道上下文的重要性。

本论文旨在解决图像处理中的图像恢复问题，提出了一种新的模型CU-Mamba，旨在克服现有模型的局限性，例如长程依赖建模不足和高计算成本。

CU-Mamba模型采用了双状态空间模型（SSM）框架，将其融入U-Net架构中。该模型采用空间SSM模块进行全局上下文编码，采用通道SSM组件来保留通道相关特征，同时具有线性计算复杂度相对于特征图大小。

论文通过实验验证了CU-Mamba模型相对于现有最先进方法的优越性，强调了整合空间和通道上下文在图像恢复中的重要性。论文还提供了详细的实验设计和数据集说明，并公开了代码。

在这个领域中，最近的相关研究包括使用CNN和Transformer模型的图像恢复方法，但这些方法存在局限性。