基于梯度整合Mamba的高效光谱重建网络GMSR-Net：一种面向长程依赖建模的线性复杂度解决方案

【编辑推荐】本文创新性地将状态空间模型（Mamba）引入光谱重建领域，提出梯度整合Mamba网络（GMSR-Net）。该模型通过三分支梯度Mamba块（GM Block）融合空间梯度注意力（SGA）与光谱梯度注意力（SpGA），在保持O(N)线性复杂度的同时实现长程依赖建模，参数量和FLOPs分别降低8倍和20倍，为高保真HSI重建提供了轻量化新范式。

　　

Highlight

我们提出GMSR-Net——首个基于Mamba的光谱重建框架。该模型通过巧妙捕捉长程信息实现精准光谱重建，在精度-效率权衡中表现优异，参数量和FLOPs分别较现有方法降低8倍和20倍。

创新点

• 提出具有三分支结构的梯度Mamba块（GM Block），整合空间梯度注意力（SGA）与光谱梯度注意力（SpGA），实现空间-光谱双维度细节重建

• 实验表明GMSR-Net在三个主流数据集（NTIRE2020-Clean/CAVE/Harvard）上均达到SOTA性能

结论

本文提出的GMSR-Net创新地将视觉Mamba架构应用于光谱重建任务，通过空间/光谱梯度注意力机制增强细节恢复。研究不仅证实了Mamba模型在光谱重建中的潜力，更揭示了梯度信息对该过程的关键作用。GMSR-Net为资源受限环境下的高精度HSI重建提供了轻量化解决方案。