VMamba ist ein visuelles Zustandsraummodell, das die Vorteile von Convolutional Neural Networks (CNNs) und visuellen Transformatoren (ViTs) kombiniert und eine lineare Komplexität erreicht, ohne die globale Wahrnehmung zu beeinträchtigen. Durch die Einführung des Cross-Scan-Moduls (CSM) wird das Problem der Richtungsabhängigkeit gelöst. Es zeigt eine hervorragende Leistung in verschiedenen Aufgaben der visuellen Wahrnehmung und bietet im Vergleich zu bestehenden Benchmark-Modellen einen deutlich größeren Vorteil bei steigender Bildauflösung.