放弃方向扫描，Mamba终于学会好好看图像

你有没有试过把一幅山水画撕成细纸条，再一根根捋平了看？过去两年里，火遍语言领域的Mamba模型，在处理图像时就一直在做这件蠢事。为了适配它擅长的一维序列计算，研究者不得不把二维图像按固定方向扫描成长条——要么从左到右，要么从上到下，甚至用螺旋线、希尔伯特曲线。结果就是图像的空间结构被扯得稀碎，同一区域反复计算造成冗余，相邻像素在序列里隔得老远。直到2026年3月，南达科他大学的团队抛出了MFil-Mamba：别撕画了，换个方式看。

四个“观察员”代替单向扫描

你可以把MFil-Mamba的核心思路，理解为给模型配了四个分工明确的“图像观察员”。第一个观察员原封不动看整张图，负责记录原始的颜色和纹理；第二个专盯垂直边缘，比如建筑的立柱、人脸的侧面轮廓；第三个专找水平边界，比如地平线、桌面的边缘；第四个最聪明，会在训练中自己学会关注当前任务最需要的特征——可能是医学影像里的病灶，也可能是遥感图里的农田。

这四个观察员同时开工，各自生成一份特征图，再把这些图堆叠成一份“多视角报告”喂给Mamba。不同于之前被扯成纸条的一维序列，这份报告完整保留了图像的二维空间结构，相邻像素依然紧紧挨在一起。论文用协方差矩阵证明，这种多视角扫描能捕捉到单向扫描永远拿不到的二阶空间依赖关系——简单说就是，模型终于能看懂“眼睛在鼻子上方”这种基础的空间逻辑了。

从分类到分割，全任务性能碾压

想法再好，也要用数据说话。MFil-Mamba在三大核心视觉任务上，把传统视觉Mamba、CNN和Transformer都甩在了身后。

在ImageNet-1K分类任务中，参数量仅33.5M的Tiny版本，Top-1准确率达到83.2%，比同规模的Swin-T高出1.9个百分点，比DeiT-S更是高出3.4个百分点；50.5M的Small版本准确率83.8%，直接超越了ConvNeXt-S。在COCO目标检测任务中，MFil-Mamba-T的框检测AP达到47.3%，掩码AP42.7%，全面领先同规模的ConvNeXt-T、Swin-T和VMamba-T。ADE20K语义分割任务里，它的Tiny变体单尺度mIoU冲到48.5%，比VMamba-T高了1.7个百分点。

消融实验更能说明问题：只用原始特征图时准确率82.4%，加上水平/垂直梯度图后涨到82.9%，再加入动态学习滤波器直接跳到83.2%；如果换成传统的四向十字扫描，准确率立刻掉到82.6%——多滤波器扫描的优势，被数据钉得死死的。

看得见的优势：感受野与注意力可视化

数据之外，我们能直接“看见”MFil-Mamba的厉害。有效感受野（ERF）可视化显示，它的感受野比ConvNeXt、VMamba和Swin都更大、更均匀，完全贴合物体的自然形状——比如识别猫的时候，它的感受野会精准覆盖整只猫，而不是像有些模型那样，只盯着猫的脑袋或者爪子。

Grad-CAM注意力图更直观：识别降落伞时，它的注意力完全集中在伞体上；识别疣猪时，精准锁定猪的头部和身体；识别煤气灶时，不会被旁边的锅碗瓢盆干扰。相比之下，有些基线模型的注意力会分散到背景里，甚至抓错重点。这种精准的注意力，正是它能在分割、检测任务中表现突出的核心原因。

MFil-Mamba的出现，本质上是给视觉Mamba松了绑——不用再为了适配一维计算，硬生生扭曲二维图像的空间结构。它没有在扫描路径上继续内卷，而是换了个思路：既然Mamba擅长处理序列，那我就给它喂一份保留空间结构的“多视角序列”。

当然，它也不是完美的。多滤波器带来了额外的计算开销，在移动端部署还需要进一步优化；动态滤波器的学习逻辑，也需要更深入的理论解释。但不可否认的是，它为视觉状态空间模型开辟了一条全新的路。

好的模型，应该学会适应数据，而不是反过来。 从撕画到多视角观察，MFil-Mamba迈出的这一步，可能会让AI看世界的方式，变得更像人类。