VMamba est un modèle d'espace d'état visuel combinant les avantages des réseaux neuronaux convolutionnels (CNN) et des Transformers visuels (ViT), atteignant une complexité linéaire sans sacrifier la perception globale. L'introduction du module Cross-Scan (CSM) permet de résoudre les problèmes de sensibilité directionnelle, offrant ainsi des performances exceptionnelles dans diverses tâches de perception visuelle. De plus, son avantage par rapport aux modèles de référence existants devient encore plus significatif avec l'augmentation de la résolution des images.