전통적인 시각적 Mamba (VIM) 방법은 2차원 공간 이미지를 1차원 평면으로 직접 평탄화합니다. 이 방법은 장거리 의존성을 확보할 수 있지만, 원래 2차원 평면에서 인접 픽셀들의 지역 공간 구조를 파괴하여 국부적인 세부 사항을 포착할 수 없습니다. 이에 본 논문에서는 전방위 상태 공간 경량 초해상도 모델(PMambaIR)을 도입하고, 잔차 전방위 공간 그룹을 핵심 블록으로 제안합니다. 잔차 전방위 공간 그룹은 주로 두 가지 혁신 모듈로 구성됩니다. 구체적으로, 먼저 새로운 계층적 스캔 전략을 도입하여 국부 정보, 다중 스케일 정보 및 전역 정보 간 상호작용을 촉진하며, 전역 의존성을 유지하면서 국부 정보를 효과적으로 포착하여 전방위 특징 추출을 구현합니다. 둘째, 혼합 상태 공간 블록을 제안하는데, 이 모듈은 공간 및 채널 두 차원에서 픽셀 정보를 동시에 상호 모델링하여 무관한 특징이 모델에 미치는 영향을 제한하고, 채널 및 공간 전역 정보의 잠재적 상관관계를 발굴합니다. Set14, Urban100 등 벤치마크 데이터셋에서 다른 방법과의 비교 결과, PMambaIR은 기존 모델 대비 PSNR이 평균 0.11dB 향상됨을 보였습니다. 객관적인 정량 및 정성 분석을 통해 본 방법이 더 높은 PSNR과 SSIM을 가진다는 것을 검증했습니다. 주관적인 실험 결과 이미지들은 본 방법이 풍부한 세부사항과 시각적 효과를 제공함을 나타냅니다.

이미지 초해상도; 상태 공간 모델; 경량화 모델; 계층적 스캔 전략