arXiv cs.AI· Shengyuan Hu, Yiyong Sun, Weihang Shan, Yongzhe Chang·· 4 小时前AI 评分31
FM-Mamba:一种带稳定性感知离散化的高效原生 2D 选择性状态空间模型
FM-Mamba: An Efficient Native 2D Selective State Space Model with Stability-Aware Discretization
AI 导读
研究者提出 FM-Mamba,一种基于 Fornasini–Marchesini(FM)模型的原生 2D 选择性状态空间模型,其耦合递推沿两个空间轴演化,并用两个独立的输入相关步长 Δ1(i,j)、Δ2(i,j) 分别控制两轴传播。
正文 · AI 翻译
摘要:当应用于图像等二维特征时,基于 Mamba 的方法要么将特征图展平为一维序列并融合多次扫描,这会破坏空间邻接性并使计算量成倍增加;要么直接在二维网格上递归,但以固定的、与输入无关的因子重新缩放递归,并且只聚合单条反对角线上的前驱,使离散步长不受二维稳定性理论的约束。我们提出 \textbf{FM-Mamba},一种基于通用 Fornasini--Marchesini(FM)模型的原生二维选择性状态空间模型。其耦合递归沿两个空间轴演化;跨轴耦合引入离散的对角前驱项 $\tilde A_0$,两个独立的、依赖输入的步长 $\Delta_1(i,j)$、$\Delta_2(i,j)$ 控制沿两个轴的传播,从而使系数按位置和方向自适应。归一化比值 $r_k=a_{0,k}/(a_{1,k}a_{2,k})$ 给出两个步长的闭式分段界;当配置落在稳定区间之外时,将步长投影到该界上,并在训练后逐位置重新验证该准则,从而在不进行全局阻尼的情况下抑制系统性局部放大。该递归通过双对角波前扫描执行:每次更新从两条反对角线收集信息,输入通过单次投影进入当前状态,因此训练和推理均无需展平特征图。代码可在 此 https URL 获取
| 主题: | 系统与控制(eess.SY);人工智能(cs.AI);计算机视觉与模式识别(cs.CV) |
| 引用为: | arXiv:2611.22061 [eess.SY] |
| (或 arXiv:2611.22061v1 [eess.SY] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22061 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Yiyong Sun Dr [查看电子邮件]
[v1]
2026年11月17日星期二 01:40:53 UTC(141 KB)
来源:arXiv cs.AI · arxiv.org