본 논문은 경량 이미지 초고해상도(LFSR)에서 계산 비용과 성능을 최적화하기 위해 장거리 정보 모델링과 선형 복잡도의 장점을 가진 Mamba 기반 방법을 개선하는 연구에 관한 것이다. 기존의 다방향 스캐닝 전략이 복잡한 LF 데이터에 적용될 때 비효율적이고 중복된 특징 추출을 야기하는 문제점을 해결하기 위해, 본 논문에서는 Subspace Simple Scanning (Sub-SS) 전략을 기반으로 Subspace Simple Mamba Block (SSMB)을 설계하여 보다 효율적이고 정확한 특징 추출을 달성한다. 또한, 공간-각도 및 시차 정보를 보존하는 상태 공간의 한계를 해결하기 위해 2단계 모델링 전략을 제안하여 비국소적 공간-각도 상관관계를 보다 포괄적으로 탐색한다. 1단계에서는 공간-각도 잔차 부분공간 Mamba 블록(SA-RSMB)을 사용하여 얕은 공간-각도 특징을 추출하고, 2단계에서는 Epipolar Plane Mamba Block (EPMB)과 Epipolar Plane Transformer Block (EPTB)을 결합한 이중 분기 병렬 구조를 사용하여 깊은 에피폴라 특징을 개선한다. 이러한 모듈과 전략을 기반으로 Mamba와 Transformer 모델의 장점을 통합한 하이브리드 Mamba-Transformer 프레임워크인 LFMT를 제안한다. LFMT는 공간, 각도 및 에피폴라 평면 영역에서 포괄적인 정보 탐색을 가능하게 한다. 실험 결과, LFMT는 기존 최첨단 LFSR 방법보다 성능이 크게 향상되었으며, 실제 및 합성 LF 데이터 세트에서 계산 복잡도가 낮게 유지되는 것을 보여준다.
