Vision Mamba是一种基于双向Mamba块的新型视觉主干网络。该模型通过位置嵌入和双向状态空间模型处理图像序列，在ImageNet分类、COCO目标检测和ADE20k语义分割等任务上表现优异。与DeiT等视觉Transformer相比，Vision Mamba不仅性能更高，还大幅提升了计算和内存效率。其在高分辨率图像特征提取方面的出色表现，使其有潜力成为新一代视觉基础模型的核心架构。