본 논문은 적외선 소형 표적 탐지(ISTD)를 위한 새로운 프레임워크인 SAMamba를 제시합니다. SAMamba는 SAM2의 계층적 특징 학습과 Mamba의 선택적 시퀀스 모델링을 통합하여 기존 심층 학습 방법의 정보 손실 및 비효율적인 전역 문맥 모델링 문제를 해결합니다. 주요 혁신으로는 (1) 이중 단계 선택(학습 가능한 작업 임베딩을 사용한 토큰 수준 및 채널별 적응형 변환)을 통한 효율적인 자연-적외선 영역 적응을 위한 특징 선택 어댑터(FS-Adapter), (2) 선택적 상태 공간 모델링을 사용하여 선형 복잡도로 효율적인 전역 문맥 모델링을 위한 교차 채널 상태 공간 상호 작용(CSI) 모듈, (3) 게이트 메커니즘을 사용하여 다중 스케일 특징을 적응적으로 결합하여 고해상도 및 저해상도 특징의 기여도를 균형 있게 조절하는 세부 정보 보존 문맥 융합(DPCF) 모듈이 있습니다. NUAA-SIRST, IRSTD-1k, NUDT-SIRST 데이터셋에서의 실험 결과, SAMamba는 특히 이질적인 배경과 다양한 표적 크기를 가진 어려운 시나리오에서 최첨단 방법을 능가하는 성능을 보여줍니다.