A arquitetura visual Mamba, baseada em um modelo seletivo de espaço de estado, por meio de mecanismos de varredura seletiva e atualização de estado, pode modelar dependências de longo alcance com complexidade linear, oferecendo uma nova abordagem que concilia representação global e eficiência computacional para super-resolução de imagens de sensoriamento remoto. Este artigo revisa sistematicamente as bases teóricas e o framework metodológico da super-resolução baseada em Mamba, e classifica trabalhos representativos em quatro direções de melhorias: modelagem no domínio da frequência e aprimoramento espectral, fusão estrutural e aumento de atenção, modelagem multimodal e multissource, leveza e reparametrização. Em configurações unificadas de avaliação de degradação sintética, combinadas com os conjuntos de dados AID, DIOR e UCAS_AOD, realiza-se uma análise comparativa do desempenho de reconstrução, qualidade perceptiva e características de aplicabilidade dos métodos representativos. Os resultados indicam que a série de métodos Mamba demonstra forte potencial na manutenção da continuidade estrutural, recuperação da consistência geométrica e supressão de texturas falsas, apresentando bom desempenho de reconstrução em comparações entre múltiplos conjuntos de dados. Por fim, este artigo discute desafios e tendências como degradação real, generalização entre domínios e benchmarks reproduzíveis, oferecendo referência para pesquisas e aplicações futuras.

Imagens de sensoriamento remoto;Super-resolução;Modelo visual de espaço de estado;Mamba;Aprimoramento no domínio da frequência;Fusão multimodal;Leveza