El método tradicional Mamba visual (VIM) aplana directamente una imagen espacial bidimensional en un plano unidimensional. Aunque este método puede capturar dependencias a largo alcance, también interrumpe la estructura espacial local de los píxeles vecinos en el plano bidimensional original, lo que impide capturar los detalles locales. Por ello, este artículo introduce un modelo ligero de superresolución basado en un modelo de espacio de estados omnidireccional (PMambaIR), y propone el grupo espacial omnidireccional residual como bloque núcleo. El grupo espacial omnidireccional residual contiene principalmente dos módulos innovadores. Específicamente, primero introducimos una nueva estrategia de escaneo en cascada que fomenta la interacción entre información local, información entre escalas y global, permitiendo capturar eficazmente la información local mientras se mantiene la dependencia global, logrando así una extracción de características omnidireccional. En segundo lugar, proponemos un bloque híbrido de espacio de estados que puede modelar la interacción de la información de píxeles simultáneamente en las dimensiones espacial y de canal, limitando el impacto de características irrelevantes en el modelo, lo que permite descubrir la correlación latente entre la información global de canal y espacial. Los resultados comparativos con otros métodos en conjuntos de datos de referencia como Set14 y Urban100 muestran que el PSNR de PMambaIR mejora en promedio 0,11 dB en comparación con los modelos existentes. El análisis cuantitativo y cualitativo objetivo valida que este método presenta un PSNR y SSIM más altos. Los resultados subjetivos en las imágenes experimentales muestran que este método ofrece detalles ricos y un efecto visual.

superresolución de imágenes; modelo de espacio de estados; modelo ligero; estrategia de escaneo en cascada