计算机科学与探索

作者：张鑫, 智敏, 萨茹拉, 阿日木扎

单位：内蒙古师范大学 计算机科学技术学院，呼和浩特 010022

关键词：视觉Mamba,扫描方式,堆叠方式,混合结构

基金：内蒙古自然科学基金（2023MS06009）；呼和浩特市基础与应用基础研究项目（2024-Gui-Ji-22）。

传统卷积神经网络（CNN）因感受野受限难以建模全局特征，视觉Transformer虽具备序列建模优势，却面临二次计算复杂度的问题，给图像处理提出了严峻的计算挑战。为此，研究者开始探索兼具高效计算与全局感知能力的新型架构，基于状态空间模型（SSM）的视觉Mamba模型保留序列建模能力的同时能够实现线性计算复杂度下的全局上下文建模，标志着基于状态空间模型的视觉建模迈入新阶段。详细介绍视觉Mamba块的基本框架，包括由残差模块、二维选择性扫描（SS2D）模块与前馈网络（FFN）构成的双残差结构，分析了SS2D模块中跨扫描、S6块处理与跨融合的工作机制。从扫描、堆叠和混合结构等三个方面对视觉Mamba模型进行分析和探讨，扫描方式包括顺序扫描与动态扫描，对比分析了不同扫描策略的优劣；堆叠方式分为串行Mamba、并行Mamba、U型Mamba和图Mamba四类，详解各类堆叠结构的网络构建逻辑及在多尺度特征提取、长距离依赖建模中的适配性；混合结构聚焦在与CNN、Transformer、注意力机制的融合形式，包括单一模块融合与多模块协同架构，分析各模型优缺点。通过分析指出，视觉Mamba模型解决了CNN的局部感知限制和Transformer的二次项计算复杂度，在视觉任务中优于主流基础架构，展现出了成为视觉基础架构的巨大潜力。

来源：2026年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第1期