最近不少研究都能看出来，CNN和Mamba结合，是当下超热门的方向！比如TGRS 2025上的GLVMamba，通过将两者的优势融到了一起，直接在权威数据集上刷新性能纪录，稳稳站上遥感语义分割的榜首。
再加上，Mamba在视觉领域起步不算早，和CNN的融合探索才刚热起来，对论文er来说，正是好上手的时候。而且这方向有应用支撑、故事也好讲，妥妥的发文创新好路子！
目前这组合的核心创新，主要是做更智能的架构融合、拓展垂直领域应用，这些新手也能跟上。本文整理了11篇最新的CNN+Mamba论文，帮大家快速摸清前沿，还附了代码，方便复现。
扫码添加小享，回复“CM结合”
免费获取全部论文+开源代码
GLVMamba: A Global-Local Visual State Space Model for Remote Sensing Image Segmentation
方法：本文提出GLVMamba模型，结合CNN和改进的Mamba结构，通过CNN提取特征，利用GLVSS块整合全局与局部信息，用SCPP模块融合多尺度特征，提升遥感图像分割精度。
创新点：
提出GLVSS块，通过引入局部前馈反馈和移位窗口机制，解决Mamba中局部像素依赖建模不足的问题，增强全局与局部上下文信息的融合。 设计SCPP模块，充分合并多尺度特征并自适应提取区分性特征，有效减轻因光照等因素导致的孔洞和误检问题。 在Potsdam和Vaihingen数据集上的实验结果表明，GLVMamba优于其他先进方法，验证了其有效性和优越性。
TDFNet: twice decoding V-Mamba-CNN Fusion features for building extraction
方法：本文提出了一种名为TDFNet的新型建筑提取网络，该网络结合V-Mamba和CNN，通过BFM模块融合全局与局部信息，利用EDFM模块和两次解码策略增强特征学习，有效提升建筑提取精度。
创新点：
提出TDFNet，结合V-Mamba和CNN，通过BFM模块融合全局与局部信息，提升建筑提取精度。 设计EDFM模块，有效整合编码器和解码器的多阶段特征，增强模型对建筑与周围布局关系的理解，减少误提取。 实施两次解码策略，进一步学习多尺度特征，减轻树荫和阴影的影响，提高建筑提取的准确性。
扫码添加小享，回复“CM结合”
免费获取全部论文+开源代码
Hybrid CNN-Mamba model for multi-scale fundus image enhancement
方法：本文提出结合CNN和Mamba的多尺度眼底图像增强方法。利用CNN提取图像特征，Mamba处理序列数据，通过对抗训练提升图像质量，尤其在高分辨率下表现优异。
创新点：
提出结合CNN和Mamba的新型眼底图像增强模型，在低分辨率和高分辨率图像上均展现出卓越的增强效果。 引入Mamba模型进行对抗训练，进一步提升图像质量，尤其在高分辨率图像增强任务中表现出色。 在不同分辨率数据集上的有效性验证表明，该模型在下游分割任务中也具有显著优势，VSD和IOU分数均高于其他方法。
CVMFN: A Dual-Branch Remote Sensing Image Classification Model Based on CNN and Vision Mamba
方法：本文提出了一种名为CVMFN的双分支遥感图像分类模型，结合了CNN和Vision Mamba。其中ConvNeXt-T提取局部特征，Vim建模长距上下文依赖。通过特征融合模块，将两个分支的特征进行维度变换、通道拼接和卷积融合，最终通过全连接层实现分类。
创新点：
提出CVMFN双分支模型，融合CNN的局部特征提取和Vision Mamba的长距离上下文建模能力，提升分类精度。 设计特征融合模块，通过维度变换和通道拼接整合CNN与Vision Mamba的特征，增强多尺度特征表达。 在三个公共数据集上验证模型，CVMFN在不同训练比例下均优于现有先进方法，展现强大泛化能力。
扫码添加小享，回复“CM结合”
免费获取全部论文+开源代码
