Bài báo này trình bày một cải tiến trên phương pháp dựa trên Mamba, tự hào về mô hình thông tin tầm xa và độ phức tạp tuyến tính, để tối ưu hóa chi phí tính toán và hiệu suất trong Siêu phân giải ảnh nhẹ (LFSR). Để giải quyết các vấn đề trích xuất tính năng không hiệu quả và dư thừa của các chiến lược quét đa hướng thông thường được áp dụng cho dữ liệu LF phức tạp, bài báo này thiết kế một Khối Mamba đơn giản không gian con (SSMB) dựa trên chiến lược Quét đơn giản không gian con (Sub-SS), đạt được hiệu quả trích xuất tính năng chính xác và hiệu quả hơn. Hơn nữa, để giải quyết các hạn chế của không gian trạng thái trong việc bảo toàn thông tin góc không gian và chênh lệch, một chiến lược mô hình hai giai đoạn được đề xuất để khám phá toàn diện hơn các tương quan góc không gian phi cục bộ. Ở giai đoạn đầu tiên, Khối Mamba dư không gian góc không gian (SA-RSMB) được sử dụng để trích xuất các tính năng góc không gian nông. Ở giai đoạn thứ hai, một kiến trúc song song nhánh kép kết hợp Khối Mamba mặt phẳng Epipolar (EPMB) và Khối biến áp mặt phẳng Epipolar (EPTB) được sử dụng để tăng cường các tính năng epipolar sâu. Dựa trên các mô-đun và chiến lược này, chúng tôi đề xuất LFMT, một khuôn khổ lai Mamba-Transformer tích hợp các điểm mạnh của mô hình Mamba và Transformer. LFMT cho phép khám phá thông tin toàn diện trên các miền không gian, góc và cực. Kết quả thực nghiệm chứng minh rằng LFMT vượt trội đáng kể so với các phương pháp LFSR tiên tiến hiện có trong khi vẫn duy trì độ phức tạp tính toán thấp trên các tập dữ liệu LF thực và tổng hợp.
