Mamba与小波变换的融合正成为兼顾长程依赖建模与局部频谱细节的关键技术路径，从低光图像增强、跨模态目标检测到时序预测、工业故障诊断，两者的优势互补持续突破着传统方法在精度与效率上的双重瓶颈。
本文整理了10篇两者结合的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），搭基线、找改进点、扩实验方向都能直接用上。
长按识别下方二维码，回复【曼巴小波】
无偿领全部论文合集及项目代码
Mamba-Diffusion Model with Learnable Wavelet for Controllable Symbolic Music Generation
基于可学习小波的Mamba扩散模型用于可控符号音乐生成
文章内容
针对扩散模型在离散符号音乐生成中应用不足的问题，该研究将符号音乐表示为类图像的pianoroll格式，提出融合Transformer-Mamba模块与可学习小波变换的U-Net去噪网络架构。Mamba凭借状态空间模型的选择机制，以线性复杂度建模长序列依赖，规避了自注意力的二次计算瓶颈；可学习小波节点则在频域分解多尺度特征，提升生成质量。结合无分类器引导实现和弦条件控制，在POP909数据集上的实验表明，融合小波与Mamba的Proffusion-WM变体在分布重叠度（OA）、和弦F1及主观人评各项指标上均优于纯Mamba或纯小波版本，验证了双模块协同对可控音乐生成的有效性。
Exploring State Space Model in Wavelet Domain: An Infrared and Visible Image Fusion Network via Wavelet Transform and State Space Model
基于小波变换与状态空间模型的红外可见光图像融合网络
文章内容
针对红外与可见光图像融合中频率域特征与全局语义信息结合不充分的问题，提出W-Mamba融合网络。核心设计包括Wavelet-SSM特征提取模块：通过二维离散小波变换将特征分解为低频近似与高频细节分量，低频分支经卷积保留局部纹理，高频分支由Mamba状态空间模型以线性复杂度捕获长程全局依赖；同时设计跨模态注意力特征调制模块（CAFM），通过模态交错堆叠与门控机制实现互补信息的高效交互。在TNO、MSRS、LLVIP三个数据集上的实验显示，W-Mamba在MI、Qabf、VIF等六项指标上均优于七种主流方法，全局与局部特征的协同提取显著提升了融合质量。
WMamba: Wavelet-based Mamba for Face Forgery Detection
基于小波Mamba的人脸伪造检测
文章内容
针对深度伪造检测中小波分析未能充分利用人脸轮廓"细长、细粒度、全局性"特征的问题，提出WMamba检测器。框架核心包含两项创新：一是动态轮廓卷积（DCConv），采用特制可变形卷积核自适应拟合细长人脸轮廓结构，优于标准卷积、DCN等范式；二是基于VMamba的分层小波特征嵌入模块（HWFEB），利用Mamba的线性复杂度长程建模能力捕获跨区域的伪造线索。在FaceForensics++及CDF、DFDC、DFDCP、FFIW等跨数据集基准上的实验表明，WMamba在跨操纵类型与跨域泛化测试中均取得最优AUC，显著提升了模型对未知伪造手段的鲁棒检测能力。
↓↓听说在下方一键三连的都Accept了🌝
