LCMamNet 解读：把跨尺度特征放进 latent space，再把层级语义找回来 (2026)

LCMamNet 的主要贡献不是「给 U-Net 加一个 Mamba 模块」，而是把红外小目标分割里的三条信息流拆开安排：CDBR 在编码早期保护方向敏感的局部结构，LDCF 在统一潜空间里做跨尺度关联，渐进式解码器最后才选择性引入浅层细节。四组消融实验都指向同一个结论：单个模块并不自动带来最高精度，收益来自这三条路径的配合。1

论文题为 LCMamNet: A Lightweight Cross-scale Mamba Network for Infrared Small Target Detection，作者为 Yuhao Fan、Le Hui 和 Yuchao Dai，通讯作者为 Le Hui、Yuchao Dai，来自西北工业大学电子信息学院。它是 arXiv cs.CV 预印本，v1 提交于 2026 年 7 月 27 日，不是已经录用的会议或期刊论文。论文的任务形式也需要先说清：这里的 IRSTD 主要是单帧红外小目标分割，输出目标 mask，核心指标是 mIoU、Pd 和 Fa，而不是常见自然图像检测里的 bounding box mAP。2

先看清它要解决的三个冲突

红外小目标往往只有几个像素，响应弱、对比度低、边界模糊，云层、地面纹理、强边缘和亮噪声却可能产生更强的局部响应。编码阶段如果过早下采样，目标结构会丢失；融合阶段如果把不同层级反复混在一起，尺度归属和局部细节又会变得不稳定；解码阶段直接拼接浅层 skip，则可能把背景纹理一起送回预测头。1

LCMamNet 的处理顺序可以压缩成一条信息流：

stem 生成最高分辨率的浅层特征 x0；
四阶段 CDBR 编码器生成 x1 到 x4，重点保护局部方向结构；
x1 到 x4 投影到同一个 latent space，交给 LDCF 做双向 Mamba 跨尺度交互；
交互结果按原尺度拆回，并做层级语义重组；
解码末端才引入 x0，用 SBA 对浅层 skip 做通道门控，再生成预测 mask。1

这条路径解释了它和「在 backbone 任意位置插入 Mamba」的不同：Bi-Mamba 被放在更深层的跨尺度融合位置，浅层高分辨率特征不进入长序列；局部结构、长程关联和细节恢复各自有明确的职责。

CDBR：用四个方向分支守住弱目标的局部形状

CDBR（Cross-shaped Directional Bottleneck Residual）的起点是一个很实际的判断：小目标的有效证据集中在很小的邻域内，局部方向响应不能等到深层再补。它先用 1×1 卷积把通道压到 bottleneck 空间，再用四个方向分支做空间建模：左、右分支使用 1×3 卷积，上、下分支使用 3×1 卷积。四路结果拼接后经过 BatchNorm、激活和 1×1 channel fuse，最后再扩展回目标通道，与 shortcut 残差相加。1

四方向 CDConv 分支与 CDBR 特征响应 — 图 1：论文 Fig. 3 展示 CDConv 的四个正交方向分支、拼接与 channel fuse，以及 CDBR 内部的特征响应。1

这里的 bottleneck 不是单纯为了省参数。CDResBlock 只是在 CDConv 后接残差；CDBR 进一步压缩和扩展中间通道，把方向建模限制在更紧凑的表示空间里。对红外小目标来说，这等于把有限的特征容量优先留给局部目标结构，而不是让每个方向分支都携带大量背景纹理。

但消融数据也提醒我们不要夸大 CDBR 的单独贡献。在移除 LDCF 和 SBA 的隔离实验中，CDRes 的 mIoU 是 66.20%，标准 ResBlock 是 66.01%，CDBR 是 65.61%；CDBR 的参数量和 FLOPs 则最低，分别为 1.45M 和 10.40G。换句话说，CDBR 的证据是「用较低成本提供一个方向感知的编码基础」，不是「脱离后续模块后仍然最高精度」。1

LDCF：跨尺度交互之后，不能丢掉尺度身份

统一成一条 latent sequence

LDCF（Latent Dense Cross-scale Fusion）只接收 x1 到 x4，不把最高分辨率的 x0 拉成长序列。每一层先经过 point-wise projection 和 depth-wise convolution，映射到共享的 latent dimension；随后展平为空间 token，沿序列长度拼接成一条统一序列 T。

Bi-Mamba 在 T 上做两次状态空间建模：一次从前向扫描，一次将反转后的序列反向扫描回来。两路隐藏状态取平均，再通过可学习缩放系数 γ 加回原序列。它建立跨层依赖的方式不是给每两个尺度显式连一条桥，而是让不同尺度的 token 在同一个序列里共享前向和后向状态传播。1

交互后再把层级语义重组

如果只把四层 token 混在一起，decoder 得到的是一个有上下文、但尺度身份不够清楚的混合表示。LCMamNet 因此按原来的序列长度把结果 split 回四层，reshape 成二维特征图，再经过 Local Context Restorer 和输出投影，与对应输入层做残差连接。高层 y2 到 y4 还会再次进入一个新的 latent space，做一轮高层语义精炼。

LDCF 的 latent 跨尺度交互与层级语义重组 — 图 2：论文 Fig. 4 展示 LDCF 的投影、Bi-Mamba 交互、层级语义重组和局部上下文恢复路径。1

这一步是 LDCF 最值得关注的地方。消融中，固定 CDBR 和普通 U-Net 解码器时：不做跨尺度关联的 mIoU 为 65.61%，加入 latent association 后升到 67.36%；直接 bridge 得到 67.70%，改成 hierarchy-aware reorganization 后达到 68.59%。从 67.70% 到 68.59% 的增量说明，跨尺度信息本身不够，交互后还要把语义重新挂回各自层级。1

Bi-Mamba 的优势是这组实验中的折中

在相同 LDCF 外部结构下，作者替换 token mixer：

Mixer	mIoU (%)	参数量 (M)	FLOPs (G)
Efficient Self-Attn	69.47	1.09	7.88
Bi-GRU	70.47	1.15	9.92
Bi-Mamba	71.25	1.18	6.91

数据来自论文 Table V。Bi-Mamba 比 Bi-GRU 高 0.78 个百分点，同时少 3.01G FLOPs；比 Efficient Self-Attn 多 0.09M 参数，却高 1.78 个百分点并少 0.97G FLOPs。这个结果支持「Bi-Mamba 在 LCMamNet 的长 latent sequence 上取得了更好的精度—计算折中」，不支持把它外推成所有视觉序列任务的通用最优解。1

解码：浅层细节要晚一点、少一点进入

x0 不参与 LDCF，而是被保留为最后的浅层细节锚点。论文给出的理由有两层：它的空间分辨率最高，直接 token 化会拉长序列；它同时包含边缘和局部对比度，也携带高频背景纹理，过早混入 latent interaction 容易把杂波带进语义融合。

渐进式解码器在逐级恢复空间分辨率时，使用 SBA（Synergistic Bottleneck Attention）调节 skip。SBA 对 skip 和上采样 decoder 特征分别做全局平均池化，经轻量变换后相加并通过 sigmoid 生成通道门；门控后的 skip 才与 decoder 特征拼接。这个设计让深层语义先决定哪些浅层通道值得恢复，而不是无条件复制整张高分辨率特征图。1

完整框架消融更能说明这条路径的作用：CDBR + Reorg. + U-Net 的 mIoU 是 68.59%，把普通 U-Net 换成 SBA 解码器后变成 71.25%；把 Reorg. 换成 Direct bridge，则只有 68.71%。编码器、融合桥接和解码器的改动是相互耦合的，不能只拿其中一个表格来证明整套架构有效。1

三套基准上的数字：强的是平衡，不是每列都第一

论文使用 IRSTD-1k、NUAA-SIRST 和 NUDT-SIRST。数据集分别包含 1001、427 和 1327 张红外图像；前两者的测试划分为 201 张和 86 张，NUDT-SIRST 采用均分训练/测试。训练与测试输入统一调整为 256×256，损失是 0.3×BCE + 0.7×Soft-IoU。1

主表中的关键结果如下。Fa 按论文表格写作 10^-6 量级，数值越低越好；Pd 和 mIoU 越高越好。为避免把「强表现」写成无条件 SOTA，表中保留了每个数据集的几种代表性强基线。

数据集	方法	mIoU (%)	Pd (%)	Fa (10^-6)
IRSTD-1k	HDNet	70.26	94.56	4.33
IRSTD-1k	HSTNet	69.79	91.16	10.70
IRSTD-1k	FGARNet	69.31	92.18	4.75
IRSTD-1k	LCMamNet	71.25	93.20	11.31
NUAA-SIRST	HDNet	79.17	100.00	0.53
NUAA-SIRST	FGARNet	79.76	100.00	1.66
NUAA-SIRST	HSTNet	78.14	100.00	14.72
NUAA-SIRST	LCMamNet	79.60	100.00	0.71
NUDT-SIRST	DATransNet	94.93	99.04	2.00
NUDT-SIRST	PQGNet	95.27	98.31	2.60
NUDT-SIRST	FLINet	95.52	99.15	4.23
NUDT-SIRST	LCMamNet	95.58	99.47	3.38

表中各行来自论文 Table I。LCMamNet 在 IRSTD-1k 的 mIoU 比 HDNet 高 0.99 个百分点，但 HDNet 的 Pd 高 1.36 个百分点、Fa 低 6.98；在 NUAA-SIRST，FGARNet 的 mIoU 还高 0.16，HDNet 的 Fa 低 0.18；在 NUDT-SIRST，LCMamNet 的 mIoU 和 Pd 最高，但 DATransNet 的 Fa 更低。更准确的结论是：它在三套数据上都给出了很有竞争力的区域分割和目标检出结果，同时把模型压到了很小的计算预算，而不是三个指标全部压过所有基线。1

三套数据集上的 ROC 曲线 — 图 3：论文 Fig. 6 的 IRSTD-1k、NUAA-SIRST、NUDT-SIRST ROC 曲线。ROC 体现不同阈值下目标保留与背景泄漏的折中，不能替代主表中的 mIoU、Pd 和 Fa。1

轻量性确实是论文的主线

LCMamNet 的参数量为 1.175M，论文 Table I 四舍五入显示为 1.18M；FLOPs 为 6.91G，RTX 4090 上的平均前向延迟为 6.62ms。这个数字与架构安排是对应的：局部方向卷积放在 bottleneck，中高层跨尺度交互使用线性状态空间扫描，最高分辨率的 x0 不进入长序列。1

但参数量小不等于推理链路天然适合所有设备。论文在 NVIDIA Jetson Orin NX 16G SUPER、MAXN 模式下报告：

后端	精度	mIoU (%)	延迟 (ms)	FPS
PyTorch	FP32	71.27	49.86	20.06
PyTorch	FP16	71.18	47.05	21.25
TensorRT	FP16	65.96	9.75	102.60

论文 Table II 的数据表明，TensorRT FP16 将延迟降到 9.75ms，却比 Jetson 上 PyTorch FP32 的 mIoU 低 5.31 个百分点。论文将这一下降与低精度推理、CDBR 编码器和 Mamba 融合模块的算子转换联系起来。对于部署者，正确的结论是「有实时边缘推理潜力，但 TensorRT 加速和精度保持尚未同时解决」，而不是直接把 102.60 FPS 当成无损实时结果。1

消融表真正告诉了什么

把几组消融放在同一条逻辑线上，会得到比「每个模块都有效」更具体的判断：

被检验的设计	变体	mIoU (%)	参数量 (M)	FLOPs (G)
编码器替换	ResBlock	66.01	3.39	15.86
编码器替换	CDRes	66.20	2.14	12.21
编码器替换	CDBR	65.61	1.45	10.40
融合/重组	无 Assoc.	65.61	1.45	10.40
融合/重组	Assoc. + Direct	67.70	1.59	11.84
融合/重组	Assoc. + Reorg.	68.59	1.73	12.26
完整框架	CDRes + Reorg. + SBA	70.13	1.86	8.72
完整框架	CDBR + Direct + SBA	68.71	0.93	6.48
完整框架	CDBR + Reorg. + SBA	71.25	1.18	6.91

各行来自论文 Tables III、IV、VI；编码器和融合实验的控制条件不同，不能把所有行视作同一条单变量曲线。最有用的三点是：方向卷积在 CDRes 中带来小幅精度收益；bottleneck 让 CDBR 变轻，但单独 mIoU 略降；完整模型中 Reorg. 和 SBA 同时存在时，才达到 71.25%。1

训练配置也影响复现判断：论文用单张 RTX 4090 24GB，AdamW，初始学习率 1e-3，最小学习率 1e-5，weight decay 5e-2，训练 800 epochs，early-stopping patience 240，batch size 12，采用 5 epochs warmup 加 cosine annealing。读者复现实验时，至少应保持这些设置和数据划分一致，再讨论模块差异。1

代码、权重与数据：公开，但不是开箱即用

论文给出的官方 GitHub 仓库目前公开可访问，包含模型实现、train.py、test.py、损失与指标代码，以及 weights/ 下的 IRSTD-1k、NUAA-SIRST、NUDT-SIRST 三个预训练 checkpoint。README 还给出与论文一致的三套基准结果和 Jetson 部署表。3

数据部分需要区分「索引可复现」和「原始数据已随仓库提供」：仓库只附每个数据集两组 image/mask 样例和完整的 train/test split 列表，完整图像与掩膜需要按 datasets/README.md 的说明另行下载。该页列出的来源是 IRSTD-1k / ISNet、NUAA-SIRST / sirst 和 NUDT-SIRST。4

环境也有前置条件：仓库依赖 Mamba 的 selective-scan CUDA kernels，README 明确写明 CPU 不支持；Jetson 还需要匹配 aarch64 的 Mamba 与 causal-conv1d 环境。官方代码和权重已经足够让研究者开始复现，但「公开」并不意味着普通 CPU 环境可以直接跑通。3

结论：LCMamNet 的价值在于信息流的分工

LCMamNet 值得关注的地方可以落到三个可检验的动作上：

CDBR 用四方向局部卷积和 bottleneck 把弱目标结构保护放在编码早期；
LDCF 把 x1 到 x4 变成统一 latent sequence，用双向 Mamba 建立跨尺度状态传播，再通过 Reorg. 把尺度语义找回来；
SBA 把 x0 留到解码末端，用深层语义筛选浅层细节，减少背景纹理直接泄漏。

消融支持这条解释，但部署实验给它加了边界：在论文的三个公开分割基准和给定测试设置下，LCMamNet 实现了 1.175M 参数、6.91G FLOPs 和很强的 mIoU/Pd 组合；在 Jetson 上，TensorRT FP16 的 102.60 FPS 同时伴随 mIoU 降至 65.96%。对于后续研究，最值得复现的不是只替换 Bi-Mamba，而是分别核对「latent association + semantic reorganization」和「选择性 skip 恢复」是否仍然成立，再把后端精度损失纳入部署结论。1

论文自己也承认，训练与评估仍以分割目标和分割指标为主，对极小、边界模糊目标的轮廓保真不足，后续计划引入 shape-aware metrics。这个限制决定了当前证据更适合支持「轻量红外小目标分割的精度—效率协同设计」，还不足以替代对真实传感器域、跨数据集泛化和边界质量的独立验证。1

LCMamNet 解读：把跨尺度特征放进 latent space，再把层级语义找回来