← 返回 PaperDaily
视觉与图像
快慢双路径Mamba + D-βB门控，文档二值化新范式
每次遇到新档案馆里那些发黄、透墨、满是污渍的老旧文档，你是不是还得重新标注数据、重新微调模型？本论文的DR-Mamba让你彻底告别这个繁琐环节——它利用巧妙的快慢双路径Mamba和样本条件的自适应减法门，在模型前向推理时就能自动适应每张文档的独特退化类型，效果还特别能打，尤其对最难处理的极端退化样本效果拔群。
龙哥读论文
阅读 3
查看原文
🐉 龙哥读论文知识星球来了！公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
龙哥推荐理由：
每次遇到新档案馆里那些发黄、透墨、满是污渍的老旧文档，你是不是还得重新标注数据、重新微调模型？本论文的DR-Mamba让你彻底告别这个繁琐环节——它利用巧妙的快慢双路径Mamba和样本条件的自适应减法门，在模型前向推理时就能自动适应每张文档的独特退化类型，效果还特别能打，尤其对最难处理的极端退化样本效果拔群。
原论文信息如下：
DIBCO赛道上的“隐形斗篷”：DR-Mamba如何让模型自动适应未知退化？
想象一下这个场景：你辛辛苦苦训练了一个模型，用来把扫描的旧文档变成清晰的黑白图片。在测试集上表现不错，结果一碰到档案馆里那些泛黄、透墨、有水渍和污渍的真实老书页，模型立马“原形毕露”，效果惨不忍睹。
这就是一直困扰文档图像二值化领域的“域偏移”（Domain Shift）问题。说白了，就是训练数据（干净的扫描件）和实际应用数据（脏兮兮的老文档）长得不一样，模型“懵了”，无法做出正确判断。
来自台湾淡江大学的 Sheng-Wei Chan 和 Jen-Shiun Chiang 两位研究者提出了一个全新的解决方案——DR-Mamba。它的核心思想非常巧妙：不需要额外的数据，不需要微调参数，仅仅通过一次前向传播，模型就能根据输入图片“自适应”地去除了背景干扰，就像给模型穿上了一件可以应对各种复杂情况的“隐形斗篷”。
从加法到减法：快慢双路径Mamba的“取精去糟”之道
要理解DR-Mamba的精妙之处，首先得知道以往的方法是怎么“翻车”的。传统的深度学习模型，比如Unet或者Transformer，在处理文档二值化时，通常会把提取到的所有特征（不管是前景的笔画，还是背景的污渍）简单粗暴地融合在一起。
这就像做一道好菜，把上等的牛肉和发霉的菜叶子都扔进锅里乱炖——结果是，你无法得到纯粹的精华。
DR-Mamba的厉害之处在于，它把这个“炖”的过程，变成了一个“选”和“减”的过程。它用了一个非常先进的网络结构——Mamba，来构建两条并行的“路径”，分别负责处理文档的不同信息。
Mamba是一种近两年兴起的状态空间模型，它最主要的优势在于能以近乎线性的时间复杂度处理超长序列，完美解决了传统Transformer在长序列任务中计算量爆炸的瓶颈，因此在图像、文本等任务中都展现出巨大潜力。
DR-Mamba借鉴了它的“选择性扫描”机制，但赋予了更具体的分工：
第一条是“快路径”（Fast Detail Route）。这条路径的“记忆”很短，更新得快，专门用来捕捉文档中那些变化剧烈、高频的细节信息——比如锐利的笔画、文字的轮廓。它的“遗忘率”（decay rate）很高，今天看到了，明天就忘了，只关注眼前的局部细节。
第二条是“慢路径”（Slow Background Route）。这条路径的“记忆”很长，更新得慢，专门用来积累那些空间上持续存在的、缓慢变化的背景退化信息——比如大片的水渍、泛黄的底色、顽固的墨渍。它的“遗忘率”很低，就像是把一张底片上慢慢感光的背景阴霾，一点点累积起来。
这种“快慢结合”的设计，完成了一次漂亮的信息分解：一条路径提炼出了“精华”（细节笔画），另一条路径则识别出了“糟粕”（背景干扰）。
自适应减法门D-βB：每个文档、每个像素的专属“去污剂”
有了两条路径，下一步就是如何把它们整合起来，得到最终干净的图像。这里，DR-Mamba做了一个革命性的改变：它不再使用传统的加法（特征叠加）或者拼接（特征拼接），而是用了一个减法—— D - βB。
这里的D代表 “快路径”提取到的细节特征（Detail），B代表 “慢路径”累积的背景干扰特征（Background）。关键的变量就是这个β。这个β可不是一个固定的数字，它是一个由模型根据当前输入样本，为每一个像素点预测出来的“抑制强度”。
“自适应减法”这个设计非常优雅。试想一下，如果一个文档背景只有轻微泛黄，那么B这条路径几乎不会累积到什么“污渍”，减法也就不会生效，模型更专注于前景细节的提取。而一旦文档出现大片深色污渍，B路径就会迅速响应，并指导一个大的β值，模型立刻就会采取强力“去污”行动。这种“一事一议”的动态策略，比任何全局的、固定的处理方法都要灵活和鲁棒。
告别微调：一次前向传播搞定域适应
说完了核心机制，我们再来看它带来的最大好处——无需微调的域适应。
很多域适应方法（如测试时训练Tent，测试时自适应TTA等）要求在推理阶段通过反向传播更新模型的参数。这不仅计算量大，而且需要小批量数据（batch）来计算统计量，对于一个一个单独到来的文档，处理起来很麻烦。
DR-Mamba完全不同。它把“域适应”的能力直接编码在了它的网络结构里。当一张新文档图片输入时，模型会一前一后地执行两条路径（快路径和慢路径），并通过自适应减法门D-βB完成输出。这一切都在一次前向传播（Forward Pass）中完成。
可以说，DR-Mamba把适应不同的退化类型，变成了网络自身的“本能反应”，而非“临时学习”。
实验结果揭秘：最难2019年数据上，谁是“最靓的仔”？
口说无凭，评价一个模型好不好，还得看疗效。作者设计了一个非常严苛的实验方案，叫做“留一年法”（Leave-One-Year-Out, LOO）。简单来说，就是把不同年份的DIBCO（Document Image Binarization COntest）比赛数据集当作不同的域。比如，用2009年到2018年的数据训练，然后用2019年的数据测试，看模型在“从未见过”的年份数据上表现如何。
以下DIBCO和H-DIBCO是文档图像二值化领域最权威的基准测试集（DIBCO全称Document Image Binarization COntest，H-DIBCO代表手写文档的版本），它们包含了从正常到严重退化的各种文档样张，是衡量模型性能的“金标准”。
实验结果分析
首先看表1，这是DR-Mamba与其他主流方法的总体对比。需要说明的是，由于这些对比方法本身的训练协议和测试年份划分不完全一致，所以此表只能作为参考，而非严格控制的复现对比。但即便如此，DR-Mamba在p-FM（伪F-measure，这个指标特别关注对细笔画的保留）上依然取得了最高的得分，体现了其在保留精细笔画方面的优势。
更关键的是表2，完整的留一年法测试结果。在绝大部分年份的数据上，DR-Mamba的表现都非常稳定。所有的指标FM、p-FM、PSNR（峰值信噪比，衡量像素级相似度）、DRD（距离倒数失真度，衡量人眼感知到的失真）都说明了模型的鲁棒性。
但真正的试金石是2019年的数据。这一年包含了最为严重的背景干扰和低对比度笔画。结果如何？请看表3。
在2019这个最难的数据集上，DR-Mamba的FM（F-measure，二值化分类的综合评价指标）和PSNR都达到了最高，p-FM（细笔画保留指标）也排在前列。反观某些在总体对比中表现强劲的方法（比如DocBinFormer和TransDocUNet），在2019年数据上分数直接“崩塌”（FM低于61），而DR-Mamba的FM依然稳定在75.16，性能退化幅度远小于竞争对手。
为什么能取得这样的效果？我们从消融实验（表4）中得到了答案。作者通过逐步添加各个模块，清晰地展示了每个设计的贡献。
在消融实验中，A0是只有单路径Mamba和简单BCE（二元交叉熵）损失的基线模型。A1增加了双路径（但用拼接融合），效果略有提升（+0.57FM）。A2引入了自适应减法门D-βB，效果一跃提升了1.52FM！这充分说明，减法门的设计才是DR-Mamba获得跨域鲁棒性的核心。A3加入了细节引导重建模块，效果进一步提升。A4引入了针对细笔画的复合损失函数，最终达到了FM 92.06的最佳效果。这个实验清晰地揭示了“取精去糟”后的减法，是模型强大泛化能力的“心脏”。
表6非常直观地展示了“减法”相对于“加法”和“拼接”的绝对优势。自适应减法D-βB的FM比固定β的减法高，比简单的减法高，更比加法高了将近5个点！
最后，我们通过一张可视化对比图来感受一下（图2）。可以看到，在处理带有严重背景干扰的文档时，其他方法往往要么无法消除污渍，要么误删了笔画。而DR-Mamba不仅干净地抑制了背景污渍，还完整地保持了纤细、断续的笔画的原始形态。
龙迷三问
这篇论文解决什么问题？这篇论文主要解决文档图像二值化中，因训练数据和实际应用数据（如不同年份、不同老化程度的文档）之间存在“域偏移”而导致模型效果变差的问题。它提出了一种无需微调、无需额外标签，仅通过一次前向传播就能自动适应新文档退化类型的方法。
DR-Mamba中的Mamba是什么？Mamba是一种先进的状态空间模型，可以看作是对Transformer的一种高效替代。它能以极低的计算量处理非常长的序列（比如高分辨率图像），非常适合做密集预测任务。DR-Mamba利用了Mamba的“选择性扫描”能力，并将其改造为两条分工不同的路径。
文中提到的D-βB门控机制是如何工作的？请举例说明。D代表细节路径的输出，B代表背景路径的输出。β是一个由网络为每个位置预测的0到1之间的值。举个例子，在文字的笔画处，β值接近于0，公式变为D - 0*B = D，所以保留所有细节笔画信息。而在一个墨渍的边缘，β值会接近1，公式变为D - 1*B = D - B，模型会将墨渍的干扰特征从细节特征中减去，从而在最终输出中“擦除”墨渍，但保留文字的细节。
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评
论文创新性分数：★★★★✰
将Mamba的结构改造为任务驱动的快慢双路径，并配合自适应减法门D-βB来完成背景抑制式的域适应，这一设计思路在文档二值化领域非常新颖且巧妙。
实验合理度：★★★★✰
采用的“留一年法”协议非常严苛，能有效检验模型的域适应能力。消融实验设计清晰，逐一剥离每个组件，有力地证明了核心设计的必要性。但部分对比实验结果（如表1、表3）因训练协议差异而被作者注明为“参考”，使其对比的说服力有所减弱。
学术研究价值：★★★★✰
提出了“推理时域适应”这一高效范式，具有较高的理论价值。其将特征分解、背景抑制与状态空间模型结合的思路，为其他图像修复、医疗图像分割等任务提供了新的研究方向。
稳定性：★★★★✰
从2019年最难数据上的表现来看，性能虽有显著下降，但与其他方法相比依然是最稳定的，说明其具备一定的鲁棒性。但在极端情况下效果仍不尽如人意，还有提升空间。
适应性以及泛化能力：★★★★✰
总体上在多个年份的数据集上表现优异，泛化能力很强。但“留一年法”只能验证跨时间，其面对全新的扫描仪、完全不同的墨水类型和书写材料（真实的产品级域漂移）时，其适应能力还需进一步检验。
硬件需求及成本：★★✰✰✰
模型参数量为33.51M，在512*512输入下的FLOPs为178G，对计算资源有一定要求。而且训练时用了复合损失函数，训练过程较为复杂。推理时虽然是前向传播，但相较简单模型，仍需要高端GPU。
复现难度：★★★✰✰
论文对核心思想交代得很清楚，但未提及代码开源。若要复现，关键难点在于Mamba相关的自定义模块和复杂的损失函数组合，对研究者的工程能力有一定挑战。
产品化成熟度：★★★✰✰
该方法的范式（一次前向推理，无需微调）非常有利于产品化。但模型参数量大，可能不适合在端侧设备上运行；且面对真实世界极端多样的退化时，其泛化能力是否依然可靠，还需更多测试。
可能的问题：整体而言，这篇论文的方法设计和实验都很出色。但对比实验没能做到严格公平复现，削弱了部分结论的绝对可信度；此外，模型训练依赖复杂的数据增强和复合损失，构建过程略显繁琐，对后续研究者复现和推广造成一定门槛。
主要参考文献
[1] Sheng-Wei Chan and Jen-Shiun Chiang. DR-Mamba: Automatic Inference-Time Domain Adaptation for Document Image Binarization via Sample-Conditioned Detail-Background Suppression. arXiv:2606.22625, 2026.
[2] Albert Gu and Tri Dao. Mamba: Linear-Time Sequence Modeling with Selective State Spaces. arXiv:2312.00752, 2023.
[3] DIBCO & H-DIBCO Benchmarks. https://diuf.unifr.ch/imaging/dibco/.
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
