MambaIR：基于状态空间模型的图像修复简单基线

近年来，图像恢复领域取得了显著进展，这主要得益于现代深度神经网络（如卷积神经网络CNN和Transformer）的发展。然而，现有的恢复主干网络在全局感受野与高效计算之间往往面临权衡，限制了其在实际应用中的推广。近期，选择性结构状态空间模型（Selective Structured State Space Model），尤其是其改进版本Mamba，因其具有线性复杂度的长程依赖建模能力，展现出巨大潜力，为解决上述难题提供了新思路。然而，标准Mamba在低层视觉任务中仍存在局部像素遗忘和通道冗余等问题。为此，本文提出一种简单而有效的基准模型——MambaIR，通过引入局部增强机制与通道注意力模块，对原始Mamba进行改进。该设计充分利用了局部像素间的相似性，同时有效缓解了通道冗余问题。大量实验结果表明，所提方法具有显著优势：在图像超分辨率任务中，MambaIR在计算成本与SwinIR相当的前提下，性能最高可提升0.45dB，且具备全局感受野。代码已开源，地址为：\url{https://github.com/csguoh/MambaIR}。