MambaIRv2来了！带有注意力的状态空间复原

主要观点总结

文章介绍了MambaIRv2模型，该模型解决了Mamba架构的因果建模特性问题，增强了基于状态空间模型的图像复原算法。文章详细描述了MambaIRv2的主要亮点，包括减少扫描次数、实现类似ViT的非因果能力、通过提示学习策略扩大像素感知范围等。

关键观点总结

关键观点1: MambaIRv2的主要特点

MambaIRv2解决了Mamba架构的因果建模特性问题，通过引入Attentive State-space Equation（ASE）和Semantic Guided Neighboring（SGN）等技术，实现了高效的图像复原。模型具有类似ViT的非因果能力，能够一次性看到整个图像的所有像素，大大提高了运行效率。

关键观点2: Attentive State-space Equation（ASE）的作用

ASE通过提示学习策略扩大了像素的感知范围，使得模型能够关注到图像中对应的语义部分，实现了类似注意力机制的全局信息聚合。

关键观点3: Semantic Guided Neighboring（SGN）的作用

SGN通过重新定义令牌邻域，使得语义相似的令牌在展开的序列中空间上更接近，从而处理长距离衰减问题。

关键观点4: MambaIRv2的实验结果

MambaIRv2在多个图像复原任务上取得了显著的效果，与之前的MambaIR相比，不仅提高了性能，还大大减少了参数量和计算负担。