当前位置：首页 > news >正文

回归最经典的“CNN+Mamba+UNet”组合套路，发文稳准狠！

news 2026/4/25 0:01:50

小伙伴们好，我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做，相关领域论文辅导也可以找我；需要的可联系（备注来意）】

-------正文开始--------

CNN+Mamba+UNet这种结合方向的好处就在于互补性强、创新点多、故事好讲，也比较好上手。在应用方面，它的相关场景也很丰富，是图像分割（尤其医学图像）领域的大热门，数据集多，做SOTA/对比也更轻松。

到了2026年，这方向依然是热点，只要找对思路，二区/顶会可中。比如NeurIPS的Hetero-UNet、IEEE TBME（二区）的Weak-Mamba-UNet，就属于架构融合创新，以及高效/轻量级这俩创新方向，前者最稳，后者容易中二区，感兴趣可以尝试。

当然，光有个方向肯定是不行的，建议多关注顶会最新论文和工业界挑战，从中找到自己感兴趣也有优势的切入点。这里我为了帮大家节省查找的时间，我给大家提供更多的发文思路和方向，大家扫码获取！！！

Hetero-UNet: Heterogeneous Transformer with Mambafor Medical Image Segmentation

研究方法：论文提出Hetero-UNet，以经典 U-Net 为基础架构，保留 CNN 编码器与解码器提取局部特征，并在编码器中融入融合多头注意力的 Mamba 模块构建混合 Transformer-Mamba 编码器，实现 CNN、Mamba 与 U-Net 结合，高效捕捉医学图像的局部细节与长程依赖以完成分割。

创新点：

提出 Hetero-UNet 混合架构，融合 CNN、Transformer 与 Mamba 优势，兼顾局部特征与长程依赖建模。
设计TransMamba 混合模块，将多头注意力、Mamba 块与 MLP 有序结合，解决单一 Mamba 对可变距离 token 交互建模不足的问题。
在腹部 CT/MR 器官、内镜器械、显微细胞等多模态多任务上均超越现有主流模型，验证混合方案的通用性与分割优势。
研究价值：Hetero-UNet将CNN、Mamba与Transformer有机融合到U-Net框架中，既保留CNN的局部特征提取优势，又借助Mamba与注意力机制强化长程依赖建模，在多模态、多任务医学图像分割上实现精度突破，为复杂医学影像精准分割提供了高效、通用的新型架构与研究思路。
Weak-Mamba-UNet: Visual Mamba Makes CNN and ViT Work Better for Scribble-based Medical Image Segmentation
研究方法：论文提出Weak-Mamba-UNet弱监督医学图像分割框架，融合CNN-UNet、ViT-SwinUNet、Mamba-UNet三种对称编码器 - 解码器结构，通过多视图交叉监督与伪标签迭代学习，在涂鸦标注下实现高效精准的心脏 MRI 图像分割。
创新点：
首次将基于 Mamba 的分割网络与弱监督学习结合，用于涂鸦标注（scribble）驱动的医学图像分割任务。
提出多视角交叉监督框架，让 CNN、ViT、Mamba 三种不同架构在弱监督下协同工作、互相强化。
验证了 Visual Mamba 能有效提升 CNN 与 ViT 在弱监督分割中的表现，在心脏 MRI 分割数据集上取得更优结果。
研究价值：Weak-Mamba-UNet 首次将 Visual Mamba、CNN 与 Transformer 三种架构融入涂鸦式弱监督医学图像分割框架，通过多视角交叉监督生成高质量伪标签，在显著降低医学图像标注成本的同时，有效提升分割精度与泛化能力，为低标注资源场景下的临床影像分析提供了高效可行的新路径。