التطورات الحديثة في تقنية مامبا أظهرت نتائج واعدة في مجال استعادة الصور. تتمثل هذه الطرق عادةً في تحويل الصور ثنائية الأبعاد إلى عدة سلاسل خطية (1D) متميزة على طول الصفوف والأعمدة، معالجة كل سلسلة بشكل مستقل باستخدام عملية المسح الانتقائي، وإعادة دمجها لتشكيل النواتج. ومع ذلك، فإن هذا النموذج يغفل عن جوانب حاسمة اثنتين: أ) العلاقات المحلية والاستمرارية المكانية المتأصلة في الصور الطبيعية، وب) الاختلافات بين السلاسل التي تم فكها بطرق مختلفة تمامًا. لتجاوز هذه العيوب، نستكشف مشكلتين في طرق الاستعادة المستندة إلى مامبا: أ) كيفية تصميم استراتيجية مسح تحافظ على كل من المحلية والاستمرارية بينما تسهل الاستعادة، وب) كيفية تجميع السلاسل المختلفة التي تم فكها بطرق مختلفة تمامًا. لحل هاتين المشكلتين، نقترح نموذجًا جديدًا لاستعادة الصور المستند إلى مامبا (MaIR)، والذي يتكون من استراتيجية المسح الشكل S المتداخلة (NSS) وكتلة انتباه ترتيب السلاسل (SSA). بشكل خاص، تحافظ NSS على المحلية والاستمرارية للصور الإدخالية من خلال منطقة المسح القائمة على الخطوط والمسار الشكل S، على التوالي. تقوم SSA بتجميع السلاسل من خلال حساب أوزان الانتباه داخل القنوات المقابلة للسلاسل المختلفة. بفضل NSS وSSA، يتفوق MaIR على 40 نقطة أساس عبر 14 مجموعة بيانات صعبة، ويحقق أداءً رائدًا في مهام زيادة دقة الصور والتخلص من الضوضاء وإزالة التشويش وإزالة الضباب. يمكن الحصول على الكود من الرابط التالي: https://github.com/XLearning-SCU/2025-CVPR-MaIR.