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。