SurgicalMamba：具有状态重编程功能的双路径 SSD，用于在线手术阶段识别

在线手术阶段识别必须致力于对运行数小时的手术的每一帧进行预测，仅根据过去的帧进行预测，并且每帧的成本不会随着时间的流逝而增加。结构化状态空间对偶性 (SSD) 满足了该约束，但只能通过让扫描看到每个头的标量转换来解决，这既修复了状态放置帧的位置，又修复了帧衰减的速度。相同的视图会在一次操作中重复出现，因此重复的内容会被自身覆盖，之后只能通过年龄来区分。衰退的速度有多快取决于步骤，而过去何时不再有用，必须从从未标志着那一刻的损失中推断出来。程序运行时间较长，并且帧与帧之间的视觉变化很小，因此步骤几乎没有可供选择的内容。各个阶段的长度也有很大差异，因此没有固定的利率作为后备方案。我们用两种机制来解决这两个问题。状态重编程会按照块内容决定的量旋转每个块边界处的携带状态，因此帧写入的位置也取决于此后经过的内容：当不同阶段介入时，同一视图的两次出现将被分开，一旦两者都老化，就无法实现衰减率。强度调制步进增加了注释相变处的衰减，因此状态在阶段结束时快速清空，在阶段之间缓慢清空，并且可以将衰减本身设置为最长的阶段。两者都完好无损地保留了 SSD 的 N 半可分离结构和 O(d) 每帧成本。在七个公共基准测试中，SurgicalMamba 在单个 GPU 上以 312.88 fps 达到最先进的在线精度和相位级 Jaccard（Cholec80 上为 94.6%/82.7%，AutoLaparo 上为 89.5%/68.9%）。在普通 Mamba2 中单独添加旋转可以改善多查询关联召回 (MQAR)，只要循环状态是绑定约束，这表明该机制并非特定于手术视频。