Cet article présente une amélioration de la méthode Mamba, qui bénéficie d'une modélisation de l'information à longue portée et d'une complexité linéaire, afin d'optimiser les coûts de calcul et les performances en super-résolution d'images légères (LFSR). Pour résoudre les problèmes d'extraction de caractéristiques inefficaces et redondantes des stratégies de balayage multidirectionnel conventionnelles appliquées aux données LF complexes, cet article conçoit un bloc Mamba simple sous-espace (SSMB) basé sur la stratégie de balayage simple sous-espace (Sub-SS), permettant une extraction de caractéristiques plus efficace et précise. De plus, pour pallier les limites de l'espace d'état dans la préservation des informations d'angle spatial et de disparité, une stratégie de modélisation en deux étapes est proposée pour explorer plus en détail les corrélations d'angle spatial non locales. Dans la première étape, le bloc Mamba sous-espace résiduel spatial-angulaire (SA-RSMB) est utilisé pour extraire les caractéristiques d'angle spatial peu profondes. Dans la deuxième étape, une architecture parallèle à double branche combinant le bloc Mamba plan épipolaire (EPMB) et le bloc transformateur plan épipolaire (EPTB) est utilisée pour améliorer les caractéristiques épipolaires profondes. Sur la base de ces modules et stratégies, nous proposons LFMT, un framework hybride Mamba-Transformer qui intègre les atouts des modèles Mamba et Transformer. LFMT permet une exploration complète de l'information dans les domaines spatial, angulaire et épipolaire. Les résultats expérimentaux démontrent que LFMT surpasse significativement les méthodes LFSR de pointe existantes tout en maintenant une faible complexité de calcul sur des jeux de données LF réels et synthétiques.
