听说有人觉得transformer太卷了想搞新的不如看看mamba当然纯单尺度Mamba也是卷上加卷我是说多尺度mamba这块它是SSM子方向最成熟、产出最多、赛道最宽的选题了。当前的多尺度mamba有三大落地赛道每条都在顶会上很受欢迎。比如检测/分割/分类/医学图像等CV赛道AAAI 2026最近那篇M3SR架构就是典型代表。其余还有时序预测ms-mamba、交叉小众偏微分方程PINN这俩。不过单论发文肯定还是CV更适合大多数人。本文整理了16篇多尺度mamba近期的高质量论文基本都有代码旨在帮助想发论文的各位快速切入这个热门选题掌握最新技术进展规避创新雷区轻松锁定可落地的idea无偿分享~全部论文开源代码需要的同学看文末以下是部分论文简析更多论文请添加小享获取合集~【AAAI 2026】M3SR: Multi-Scale Multi-Perceptual Mamba for Efficient Spectral Reconstruction研究方法本文构建嵌入多感知融合MPF模块的U型多尺度Mamba网络M3SR通过空间、频率、光谱三支并行提取多域特征融合全局、中间、局部多尺度信息实现高效RGB高光谱重建。创新点设计MPF多感知融合模块并行构建空间、频率、光谱三支路径自适应融合多维度特征弥补单一感知建模缺陷。搭建嵌入MPF模块的U型多尺度M3SR网络分层提取全局、中间、局部多尺度特征适配高光谱复杂结构重建。在四类公开数据集验证模型重建指标全面优于现有SOTA同时参数量与计算开销更低兼顾精度与效率。研究价值该文提出的多尺度多感知M3SR模型弥补现有Mamba单尺度、单感知缺陷在四类公开数据集上以更低计算成本取得最优高光谱重建效果为轻量化高精度光谱重建提供有效方案。【Neurocomputing】ms-mamba: Multi-scale mamba for time-series forecasting研究方法本文提出ms-Mamba多尺度Mamba时序预测模型并行使用多组不同采样率的Mamba模块捕捉多时序尺度特征双向堆叠多尺度Mamba块并平均融合多尺度输出完成时序预测。创新点提出ms-Mamba多尺度Mamba时序预测架构并行部署多个不同采样率的Mamba块同步捕捉时序多尺度变化规律。设计三种采样率配置策略固定倍率、可独立学习、由输入动态生成对比选出效果最优的可学习采样率方案。在13类公开时序数据集上性能全面超越现有SOTA模型多数场景下参数量、内存与计算开销低于基线S-Mamba。研究价值该研究提出的多尺度Mamba时序预测模型ms-Mamba能高效捕捉时序多层级变化规律在提升预测精度的同时降低多数场景下的计算开销为多尺度时序预测提供轻量化高性能解决方案。关注下方《学姐带你玩AI》回复“222”获取全部方案开源代码码字不易欢迎大家点赞评论收藏