CVPR 2026风格RCL-Mamba：64视角修复PCB，效率提升8倍

这篇论文最有意思的地方，不是又堆了一个大模型名字，而是把工业成像里最烦人的两类退化——投影域旋转模糊和图像域稀疏伪影——按物理顺序拆开处理。64视角还能把结构测量保住，工程味很足。

龙哥读论文发布于 2026-08-14 09:10:59 阅读 3 查看原文

#图像恢复 #模型架构

🐉 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～ xingqiu_header

龙哥推荐理由：
这篇论文最有意思的地方，不是又堆了一个大模型名字，而是把工业成像里最烦人的两类退化——投影域旋转模糊和图像域稀疏伪影——按物理顺序拆开处理。64视角还能把结构测量保住，工程味很足。

原论文信息如下：

论文标题:
RCL-Mamba: A Dual-domain State Space Model for Measurement-oriented Image Restoration in Rotational Sparse-View Scanning Computed Laminography 发表日期:
2026年06月发表单位:
重庆大学原文链接:
https://arxiv.org/pdf/2606.31353v1.pdf

引言

PCB 检测里最怕的，不是“看不见”，而是“看见了却看错了”。RCL 连续稀疏视角扫描为了提速，会把旋转过程中的多个瞬时投影直接积分到一次曝光里，结果就是投影域先糊一层旋转模糊，重建到图像域后又冒出稀疏伪影，等于前后两刀一起下，专门折腾结构测量。

图1：RCL连续扫描中旋转模糊的生成机制

这篇工作最值得读的点，不只是把 Mamba 拉进工业成像，而是没有把它当成“万能扫描器”硬塞进图像域，而是老老实实按成像物理顺序先修投影、再修图像。结果很直接：视角从 512 压到 64，检查效率大约提升 8 倍，结构边界还没被修成一锅粥。

方法概述

RCL-Mamba 的核心思路可以概括成一句人话：先把“拍摄时就已经糊掉”的部分在投影域拦住，再把“重建后才冒出来”的伪影在图像域清掉。它不是单点修补，而是一个双阶段级联框架，严格贴着 RCL 的物理退化链条走。

图4：RCL-Mamba整体架构

第一阶段是投影域网络 P-Net，负责去旋转模糊；第二阶段是图像域网络 I-Net，负责压制稀疏伪影。两者中间插着 FDK 重建算子，相当于把“先修坏掉的原始投影，再修重建后的残余问题”串成了一条流水线，而不是让一个网络同时背两口锅。

真正的骨架是 DVSS 模块，里面又拆成 DVS 和 EDFFN 两块。DVS 负责主干特征提取，DVS 内部用 Mamba-CNN 双分支同时建模全局模糊轨迹和局部纹理；EDFFN 则把频域信息拉进来，专门照顾高频微结构。说白了，就是“远处的大拖影”交给 Mamba，“近处的边缘细节”交给卷积，最后再用门控融合把两边的贡献按位置动态分配。

效果如何？清晰度、效率全面超越，并获实验验证

实验这部分比较实在，没有玩“只挑一张好看的图”那种小把戏。仿真数据和真实 PCB 数据都测了，结果都指向同一个结论：RCL-Mamba 不只是把图看起来修顺眼了，更重要的是把 via、pad、细线这些测量敏感区域尽量保住了。

图8：仿真数据集上的定性重建结果

图9：真实数据集上的定性重建结果

在仿真集上，RCL-Mamba 的 PSNR、SSIM 和 GMSD 都是最优；在真实数据上同样保持领先。更关键的是，线剖面分析显示它对 via/pad 边界和细长走线的灰度转折更接近高视角参考，这说明它不是“把图像磨平”，而是真的把结构边界救回来了。

图10：真实PCB切片的线剖面对比

图11：双域级联策略消融结果

图12：Mamba-CNN双分支模块消融结果

消融实验也很直白：没有双域级联，残余伪影还会往后跑；没有 Mamba-CNN 双分支，高频边缘就会被修得太软。两个模块合起来，才把“全局模糊轨迹”和“局部细节边界”同时照顾到了。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

为什么不能只在图像域里直接修复？因为投影域的旋转模糊已经在采集阶段把信息“先天污染”了，后面再强行修图，很多错误会跟着重建过程一起放大。先修源头，再修结果，才符合物理链路。

Mamba 在这里到底解决了什么？它最适合处理长距离、非局部的依赖关系，正好对应 RCL 里那种随半径变化、轨迹很长的弧形模糊。卷积擅长补细节，Mamba 擅长看全局，二者搭起来才不偏科。

这套方法适合直接上产线吗？从论文结果看，工程味是够的：64 视角还能维持较好的结构测量一致性，且参数量不算夸张。但真实部署还要继续看不同设备、噪声和标定误差下的稳定性，不能把论文指标直接当产线通行证。

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：★★★★☆。双域级联不是花活，Mamba-CNN 双分支也不是简单拼装，和工业成像物理链路贴得比较紧。

实验合理度：★★★★☆。仿真、真实 PCB、线剖面、消融都给了，证据链比较完整。

学术研究价值：★★★★☆。把状态空间模型往测量导向工业重建里推了一步，方向是对的。

稳定性：★★★☆☆。真实场景有说服力，但不同设备和噪声条件下的鲁棒性还需要更多验证。

适应性以及泛化能力：★★★☆☆。对 PCB 场景很强，但离“通吃所有工业 CT/CL 场景”还差一口气。

硬件需求及成本：★★★☆☆。参数量不算离谱，但 512×512 下的 FLOPs 和推理耗时仍不是轻飘飘的玩具模型。

复现难度：★★★☆☆。结构清楚，但双域训练、物理重建链路和数据构造都不算省事。

产品化成熟度：★★★☆☆。有明确工程目标，离产线应用不远，但还需要设备级验证和标定配套。

可能的问题：当前 Mamba 分支的扫描策略还偏通用，没有完全吃透 RCL 的弧形几何先验；后续如果把极坐标或更贴合物理的扫描方式做进去，空间还会更大。

主要参考文献

J. Fu, B.H. Jiang, B. Li, Large field of view computed laminography with the asymmetric rotational scanning geometry, Science China Technological Sciences, 53 (2010) 2261-2271.

C. Tan, C. Long, Y. Xi, et al., Orthogonal translation computed laminography reconstruction based on self-prior information and adaptive weighted total variation, Displays, (2025) 103169.

X. Zou, W. Shi, M. Du, et al., Artifact reduction in rotational computed laminography using a deep learning method, Optics and Lasers in Engineering, 187 (2025) 108881.

A. Gu, T. Dao, Mamba: Linear-time sequence modeling with selective state spaces, in: First conference on language modeling, (2024).

Y.C. Lin, Y.S. Xu, H.W. Chen, et al., Eamamba: Efficient all-around vision state space model for image restoration, in: Proceedings of the IEEE/CVF International Conference on Computer Vision, (2025) 11708-11719.

B. Li, H. Zhao, W. Wang, et al., Mair: A locality-and continuity-preserving mamba for image restoration, in: Proceedings of the Computer Vision and Pattern Recognition Conference, (2025) 7491-7501.

RCL-Mamba把“先去模糊、再去伪影”这套物理顺序玩明白了。想看更多这种既讲原理、又讲落地的论文拆解，欢迎加入龙哥读论文星球和微信群，一起把AI论文读得更快、更透、更不费脑😎

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
wechat_helper