企业官网建设流程全解析

纯mamba现在看确实没啥搞头了，推荐一个比较前沿的交叉方向：频域+mamba。

频域天然适合处理长序列周期性信息，而Mamba的线性复杂度正好扛得住长序列建模。这两者结合，既能把信号压缩成稀疏频域特征，又能用Mamba高效建模全局依赖，操作下来比Transformer省显存，比RNN好训练。

如此，频域+mamba可适配时序、图像、多模态等多个场景，创新空间大，算是现阶段性价比很高的发文赛道。如果你对此感兴趣，我整理了16篇这方向的前沿论文，包含WWW26等顶会顶刊成果，可领取一份当参考。

tips：结合近期观察，建议新手从频域特征融合、轻量化频域Mamba入手，上手快、易出成果。冲顶会就深挖频域注意力与Mamba的耦合机制，创新度更足。

全部论文+开源代码需要的同学看文末

【IEEE TGRS】FSNet: Frequency-Spatial Joint Learning for Road Extraction From Remote Sensing Images

研究方法：论文提出FSNet，结合频域Mamba捕捉全局长程依赖以缓解遮挡，通过JDEM频空增强与CDPM跨域融合，联合频域全局特征与空间域局部细节，提升遥感图像道路提取的连续性与精度。

创新点：

• 构建频域-空间联合学习框架FSNet，首次将Mamba引入频域建模，高效捕捉全局长程依赖，缓解道路遮挡问题。

• 设计联合域增强模块JDEM，融合频域高低频特征与空间特征，强化道路特征表达，兼顾全局上下文与局部细节。

• 提出跨域混合解析模块CDPM，分离解析频域与空间特征并自适应融合，减少域间干扰，提升道路连通性与提取精度。

研究价值：研究创新性地融合频域建模与Mamba长程建模能力，有效缓解遥感图像中道路遮挡、背景干扰等难题，为复杂场景下高精度、高连通性的道路提取提供了频空联合的新方法与新思路。

【WWW26】FedRMamba: Federated Residual Mamba for Multivariate Time-Series Forecasting

研究方法：论文提出FedRMamba联邦时序预测框架，以频域解耦+双分支Mamba为核心，全局Mamba学习跨客户低频共性，局部Mamba捕捉域内高频个性，配合频域监督与门控融合，在隐私保护下高效处理异质多变量时序预测任务。

创新点：

• 提出纯Mamba架构的联邦时序预测框架FedRMamba，用全局频域Mamba捕捉跨客户低频共性特征。

• 设计局部分块Mamba分支，学习客户端专属高频时序细节，兼顾全局共享与本地个性化建模。

• 引入频域感知监督与门控融合机制，分离高低频学习目标，动态融合双分支预测结果提升精度。

研究价值：研究创新性地将频域分解与Mamba模型融入联邦学习，攻克跨客户端数据异质性与隐私保护双重挑战，为多变量时序预测提供了兼顾全局共性、局部个性与高效隐私计算的新方案。

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