听说有人觉得transformer太卷了，想搞新的，不如看看mamba？当然，纯单尺度Mamba也是卷上加卷，我是说多尺度mamba这块，它是SSM子方向最成熟、产出最多、赛道最宽的选题了。
当前的多尺度mamba有三大落地赛道，每条都在顶会上很受欢迎。比如检测/分割/分类/医学图像等CV赛道，AAAI 2026最近那篇M3SR架构就是典型代表。其余还有时序预测（ms-mamba）、交叉小众（偏微分方程PINN）这俩。不过单论发文，肯定还是CV更适合大多数人。
本文整理了16篇多尺度mamba近期的高质量论文，基本都有代码，旨在帮助想发论文的各位快速切入这个热门选题，掌握最新技术进展，规避创新雷区，轻松锁定可落地的idea，无偿分享~
全部论文+开源代码需要的同学看文末
以下是部分论文简析，更多论文请添加小享，获取合集~
【AAAI 2026】M3SR: Multi-Scale Multi-Perceptual Mamba for Efficient Spectral Reconstruction
研究方法：本文构建嵌入多感知融合MPF模块的U型多尺度Mamba网络M3SR，通过空间、频率、光谱三支并行提取多域特征，融合全局、中间、局部多尺度信息实现高效RGB高光谱重建。
创新点：
设计MPF多感知融合模块，并行构建空间、频率、光谱三支路径，自适应融合多维度特征，弥补单一感知建模缺陷。
搭建嵌入MPF模块的U型多尺度M3SR网络，分层提取全局、中间、局部多尺度特征，适配高光谱复杂结构重建。
在四类公开数据集验证，模型重建指标全面优于现有SOTA，同时参数量与计算开销更低，兼顾精度与效率。
研究价值：该文提出的多尺度多感知M3SR模型弥补现有Mamba单尺度、单感知缺陷，在四类公开数据集上以更低计算成本取得最优高光谱重建效果，为轻量化高精度光谱重建提供有效方案。
【Neurocomputing】ms-mamba: Multi-scale mamba for time-series forecasting
研究方法：本文提出ms-Mamba多尺度Mamba时序预测模型，并行使用多组不同采样率的Mamba模块捕捉多时序尺度特征，双向堆叠多尺度Mamba块并平均融合多尺度输出完成时序预测。
创新点：
提出ms-Mamba多尺度Mamba时序预测架构，并行部署多个不同采样率的Mamba块，同步捕捉时序多尺度变化规律。
设计三种采样率配置策略：固定倍率、可独立学习、由输入动态生成，对比选出效果最优的可学习采样率方案。
在13类公开时序数据集上性能全面超越现有SOTA模型，多数场景下参数量、内存与计算开销低于基线S-Mamba。
研究价值：该研究提出的多尺度Mamba时序预测模型ms-Mamba能高效捕捉时序多层级变化规律，在提升预测精度的同时降低多数场景下的计算开销，为多尺度时序预测提供轻量化高性能解决方案。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏
