Mamba进入视觉后我发现很多工作都在尝试用它替代Transformer。但对于分割任务来说更值得关注的或许不是纯Mamba了而是更适配的CNNMambaUNet。近两年这方向已经变成了成熟的架构路线出现了不少相关工作比如NeurIPS的Hetero-UNet、顶会ICMR26的TG-MUNet等。而且很明显它的创新已经不集中于简单拼模块正逐渐转向动态融合、多尺度建模、跨层交互以及边界和小目标增强。对于论文er来说想判断哪些思路已经做过、哪个方向最适合自己先系统看一遍已有工作会更高效。为节省时间和精力我整理了16篇CNNMambaUNet前沿论文供大家参考包含顶会及2/3区工作非常适合用来梳理技术路线和寻找创新切口。全部论文开源代码需要的同学看文末【ICMR 2026】TG-MUNet: A Lightweight Text-Guided Mamba Unet for Semi-Supervised Medical Image Segmentation背景动机现有CNN感受野有限、ViT计算开销巨大主流文本引导跨模态医学分割模型参数量与算力成本高且缺少能高效融合文本语义、CNN局部特征与Mamba全局长依赖的轻量化半监督分割框架因此本文提出TG-MUNet解决该痛点。核心创新本文提出轻量化半监督医学图像分割网络TG-MUNet以U-Net为基础融合CNN局部特征提取与Mamba线性复杂度长依赖建模能力设计三类文本引导Mamba模块实现文本跨模态语义调制与多尺度特征融合兼顾少标注场景分割精度与模型推理效率。实验结果在QaTa-COV19、MoNuSeg两个半监督医学分割数据集上TG-MUNet仅4.27M参数量、4.62GFLOPs计算开销在1%~50%标注数据下Dice、mIoU指标全面超越现有SOTA消融实验证实文本引导三大Mamba模块与文本对齐损失均可显著提升分割精度正确医学文本能让模型精准聚焦病灶区域。ACM-UNet: Adaptive integration of CNNs and Mamba for efficient medical image segmentation背景动机现有CNN、Mamba混合医学分割模型架构耦合度高、复杂度高、计算效率差且因结构不兼容无法直接复用ResNet、VMamba等成熟预训练骨干同时解码器特征融合与器官边界重建能力不足因此本文提出ACM-UNet解决上述痛点。核心创新本文提出CNN-Mamba融合的U型分割网络ACM-UNet借助轻量化适配器衔接预训练ResNetCNN与VMamba骨干以兼顾局部细节和全局长依赖同时在解码器引入多尺度小波变换模块优化多尺度特征融合与器官边界重建。实验结果在Synapse腹部CT、ACDC心脏MRI数据集上ACM-UNet取得极具竞争力的分割精度Synapse平均DSC 85.12%、HD95 13.89mmACDC平均DSC 92.29%仅16.48M参数量、17.93G FLOPs可视化与消融实验验证轻量适配器、MSWT小波模块、2个VSS块的组合能精准还原器官边界兼顾精度与推理效率。关注下方《学姐带你玩AI》回复“222”获取全部方案开源代码码字不易欢迎大家点赞评论收藏