所有 Mamba 模型，本质都是：

在不同任务上，如何设计“扫描顺序 + 状态更新方式 + 融合结构”。

SSM和mamba的关系

SSM 和 Mamba 是“理论框架”与“具体实践”的关系。

把 SSM（状态空间模型） 理解为一个强大的数学“理论工具包”
Mamba则是基于这个工具包，为解决处理长序列数据这一难题而专门打造的、性能卓越的“实践模型”

Mamba 不是凭空来的，它来自一条 SSM 进化路线：

S4（Structured State Space）

第一个成功的 SSM 深度模型
解决长序列问题

S5 / DSS / HiPPO

改进稳定性
更好记忆长期信息

Mamba（质变点）

👉 加入：

input-dependent 参数（关键！）
selective scan
→ 才真正接近 Transformer 表达能力

1. Mamba（原版）

最核心模型

特点：

• 基于 Selective SSM
• 无 attention

核心计算：

关键创新：

• 输入相关参数（dynamic A, B, C）
• selective scan

2. Mamba-2（升级版）

改进方向：

• 更稳定的训练
• 更好的长序列性能
• 更接近 Transformer 的表达能力

核心变化（直觉）：

• 状态更新结构更规整
• 更容易并行
• 更适合大模型 scaling

3. Vision Mamba（VMamba）

用于图像任务。
核心思路：

• 把 2D 图像 → 转成序列
• 用 Mamba 扫描

常见技巧：

• 行扫描（row scan）
• 列扫描（column scan）
• 双向扫描（bidirectional）

👉 本质：

用 Mamba 替代 ViT 的 attention

4. Spatial-Mamba / Spectral-Mamba

专门针对高光谱：

Spectral-Mamba

沿波段扫描（B 维）
处理光谱序列

Spatial-Mamba

沿空间扫描（H×W）
处理纹理结构

👉 常见组合：
Spectral + Spatial 双流融合（SOTA）

5. Bidirectional Mamba（双向）

普通 Mamba 是单向：

u1→u2→…→uL

双向版本：

forward scan
backward scan

最后融合：

y=yforward+ybackward

6. Hierarchical Mamba（层次结构）

类似 CNN / Swin：

局部 → 全局
多尺度

用于：

• 图像分类
• 目标检测

​7. Mamba + Attention（Hybrid）

思路：

短程 → attention
长程 → Mamba

保留 attention 的精确建模，用 Mamba 降成本

8. Mamba Transformer（替换 attention）

直接把：

Attention→Mambablock

👉 得到：

Mamba-based LLM 、 Mamba-based ViT

Mamba用于高光谱图像分类

核心挑战：Mamba为何能派上用场？

①高维海量数据：动辄上百个光谱波段，信息量大但冗余也多。
②双重依赖关系：需要同时理解“光谱连续性”（同地物随波段变化）和“空间上下文”（像素间关系）。
③计算效率：传统Transformer模型在处理长序列时，计算量会呈平方级增长（O(N²)）。

Mamba模型凭借其线性的计算复杂度（O(N)），恰好能够高效捕捉长距离依赖，成为处理这类数据的有力工具。

核心思路：让Mamba看懂图像

Mamba是为处理1D序列而设计的，而高光谱图像是3D数据。
因此，第一步就是序列化：通常的做法是以目标像素为中心，切出一个固定大小的“图像块”，并将其展平成一个长序列，作为模型的输入。
目前主流的序列化策略主要有两种：

①双分支独立处理：分别从光谱和空间两个维度构建序列，让模型分别学习，再融合。
②3D序列统一建模：设计3D扫描机制，直接在三维空间内为Mamba创建序列。例如，设计不同的扫描路线（如从左上到右下），以便模型能从不同方向捕捉信息。

代表性模型详解

根据具体的设计理念，当前的研究可以主要分为以下几类：

1. 3D扫描机制先驱：3DSS-Mamba

3DSS-Mamba是3D扫描机制的代表作。其关键技术是3D光谱-空间选择性扫描 (3DSS) 机制。

操作流程：
    生成3D标记：将3D的HSI立方体转换为3D标记，保留原始结构信息。
    多路线扫描：设计5条扫描路线（例如：先光谱再空间等），以探索不同维度优先级的影响，确保模型能从各个方向捕捉全局依赖关系。
    提取语义：扫描后的信息再结合常规映射操作，最终提取出全局的语义表示。

2. 双向与多向建模：MambaHSI+ 与 HG-Mamba

早期的Mamba模型是单向的，而HSI数据本身没有时序方向性。因此，最新的研究开始强调双向或多向建模的重要性。

MambaHSI+：引入了双向上下文建模和反向序列扫描，实现了更全面的信息整合。
HG-Mamba：设计了光谱双向Mamba (SeBM) 和空间双向Mamba (SaBM) 模块，分别处理光谱和空间维度的双向依赖性。

3. 多尺度与轻量化设计：SSP-Mamba 与 HyperSMamba

高光谱图像中，地物形态尺度各异。这两类模型旨在从不同尺度提取特征并提升效率。

SSP-Mamba（多尺度）：采用双通道金字塔结构和特征增强模块 (FEM)，分别处理光谱和空间信息，并融入多尺度特征。
HyperSMamba（轻量级）：其多尺度状态融合模块 (MSFM) 能够聚合相邻状态表示，增强空间依赖，同时降低计算成本。

4. 混合架构与特征增强：MHSSMamba 与 MMP-Mamba

Mamba也常与CNN、Transformer等模块结合，或加入其他特征增强机制。

MHSSMamba：将Mamba与多头自注意力 (Multi-Head Self-Attention) 结合，以捕捉光谱和空间位置间的复杂关系。
MMP-Mamba：在Mamba的序列建模中融入形态学先验，动态生成形态学核来增强局部细节并抑制噪声。