开源Mamba-2性能狂飙8倍！多个Mamba超强进化体拿下顶会

MambaOut的热度刚过去没多久，Mamba-2就带着它狂飙8倍的性能炸场了。

Mamba-2的核心层是对Mamba的选择性SSM的改进，同等性能下，模型更小，消耗更低，速度更快。与Mamba不同，新一代的Mamba-2再战顶会，这次顺利拿下ICML。

其实除了Mamba-2以外，还有很多关于Mamba的改进方案也被各大顶会收录，比如视觉Mamba中稿ICML 2024，SegMamba和Swin-UMamba均中稿MICCAI 2024。而且现在关于Mamba的各种研究一直在爆发性地增长，已经成了顶会的热门投稿方向。

这次我从Mamba众多改进方案中挑选了12个最新研究成果来分享，这些成果的代码都已开源，我也一并附上了，方便各位快速了解Mamba改进的前沿进展并复现。

论文原文以及开源代码需要的同学看文末

Mamba®: Vision Mamba ALSO Needs Registers

方法：本文探讨了Vision Mamba特征图中的伪影与Vision Transformers的区别，并引入了一种名为Mamba®的新型架构，通过策略性地插入寄存器来增强图像处理能力，实验证明Mamba®在准确性和可扩展性方面表现优越，为未来优化Mamba架构在视觉领域的研究提供了坚实的基础。

创新点：

引入了一种改进的Mamba ® 架构，通过在令牌序列中插入一些新的、与输入无关的寄存器令牌，对Vision Mamba进行简单而有效的架构改进。与先前的方法不同，该方法不仅在输入层的一端附加几个寄存器令牌，而且在Vision Mamba的末尾，将寄存器令牌连接起来，形成用于最终预测的综合图像表示。
在Vision Mamba中引入了寄存器令牌，以解决特征图中的伪影问题。通过在令牌序列中更密集地分布寄存器令牌，该方法能够更好地解决更普遍的伪影问题，从而增强图像处理能力。

SSAMBA: Self-Supervised Audio Representation Learning with Mamba State Space Model

方法：本文介绍了一种自监督音频Mamba（SSAMBA）模型，它利用状态空间模型（SSMs）和双向架构的优势进行音频表示学习，相比传统的基于Transformer的模型，SSAMBA提供了一种更高效、可扩展的替代方案。

创新点：

提出了SSAMBA，这是第一个自我监督、无注意力、基于SSM（state space models）的音频表示学习模型。SSAMBA采用双向Mamba对音频进行编码和处理，并且在没有标签数据的情况下进行预训练。
相比于传统的基于transformer的模型，SSAMBA采用了更高效且可扩展的Mamba架构，避免了二次复杂性。SSAMBA在资源受限的设备上表现出色，具有广泛的实际应用潜力，从移动和边缘设备到大规模云系统。

PoinTramba: A Hybrid Transformer-Mamba Framework for Point Cloud Analysis

方法：本文介绍了一种名为PoinTramba的新型混合框架，将Transformer的强大建模能力与Mamba的计算效率相结合，用于增强点云分析。通过将点云分段成组，Transformer捕捉到组内复杂的依赖关系并生成组嵌入，而Mamba则同时捕捉到组间关系，确保了全面的分析。

创新点：

PoinTramba是一种创新的混合框架，将Transformer的强大建模能力与Mamba的高效计算能力相结合，用于点云分析。通过融合这两种架构，PoinTramba在计算复杂度和分析性能之间实现了卓越的平衡，标志着领域中的一个重大进展。
引入了一种新的双向重要性感知排序策略（BIO），以处理随机点云排序的负面影响。该策略根据计算得到的重要性分数重新排序组嵌入，从而显著提高了Mamba的性能，并优化了整体分析过程。

Mamba as Decision Maker: Exploring Multi-scale Sequence Modeling in Offline Reinforcement Learning

方法：MambaDM是一种用于离线强化学习的行动序列预测器，它通过一个创新的全局-局部融合Mamba（GLoMa）模块，有效地结合了全局和局部特征的多尺度序列建模，以捕捉强化学习数据集中的复杂相互关系，并在Atari和OpenAI Gym基准测试中实现了最先进的性能。

创新点：

全局-局部融合（GLoMa）：创新性地设计了GLoMa模块，用于同时捕捉局部和全局特征，以更好地理解强化学习轨迹内的内在相关性。
数据集规模的缩放法则：与自然语言处理（NLP）领域不同，实验结果表明，在Atari和OpenAI Gym环境中，增加模型大小并不一定提高结果。但是，为MambaDM提供更大的数据集可以显著提高性能。
依赖信息的捕捉能力：通过可视化分析Mamba核心转换矩阵的特征值变化，展示了Mamba模块捕捉依赖信息的能力。