(arXiv 2025) SAMamba：融合 SAM2 与 Mamba 的红外小目标检测新框架

主要观点总结

该论文介绍了名为SAMamba的模型，用于红外小目标检测。论文的创新点包括：首次引入SAM2的Hiera分层视觉编码器，专门针对目标极小的问题；通过Feature Selection Adapter实现自然图像到红外小目标任务的高效域适配；利用Cross-Channel State-Space Interaction解决CNN在ISTD中的局限性；采用Detail-Preserving Contextual Fusion模块缓解解码阶段小目标信息丢失的问题。整体架构采用U-Net式的编码–解码结构，并在不同模块进行特定的设计和优化。

关键观点总结

关键观点1: 首次将SAM2的Hiera分层视觉编码器引入红外小目标检测。

针对红外小目标检测问题，利用SAM2的分层次多尺度特征建模能力，专门应对目标极小的问题。

关键观点2: 提出Feature Selection Adapter用于高效域适配。

通过任务嵌入引导的token选择和通道级重标定，在几乎不增加参数的前提下，显式过滤掉对红外小目标无关的特征。

关键观点3: 提出Cross-Channel State-Space Interaction解决CNN在ISTD中的局限性。

用线性复杂度的状态空间模型代替Transformer attention，专门解决CNN在红外小目标检测中感受野不足和长程上下文弱的问题。

关键观点4: 采用Detail-Preserving Contextual Fusion模块进行细节和语义的自适应融合。

该模块能够动态决定是信任细节还是语义，从而缓解解码阶段小目标信息被淹没的问题。