视觉基础模型（Vision Foundation Models，VFMs）与视觉语言模型（Vision-Language Models，VLMs）因其强大的泛化能力，在**跨领域语义分割（Domain Generalized Semantic Segmentation，DGSS）**任务中获得了广泛关注[^1]。然而，现有的 DGSS 方法通常仅依赖 VFMs 或 VLMs 中的一类，忽视了二者的互补优势。 VFMs（如 DINOv2）在捕捉细粒度特征方面表现优异，而 VLMs（如 CLIP）在文本对齐方面具有强大的鲁棒性，但在处理粗粒度信息时则存在一定困难。尽管它们在能力上互为补充，但利用注意力机制将 VFMs 与 VLMs 有效融合仍具有挑战性，因为更大量的 patch token 会加剧长序列建模的复杂性。 为了解决这一问题，我们提出了 MFuser——一种基于 Mamba 的新型融合框架，能够高效整合 VFMs 与 VLMs 的优势，并在序列长度上保持线性扩展性。MFuser 包含两个关键模块： * MVFuser：一个协同适配器（co-adapter），通过捕捉时序与空间动态，实现对两个模型的联合微调； * MTEnhancer：一个融合注意力机制与 Mamba 的模块，通过引入图像先验来优化文本嵌入表示。

我们的方法在实现精准的特征定位与强文本对齐能力的同时，并未带来显著的计算开销。大量实验证明，MFuser 在多个基准任务上显著优于当前最先进的 DGSS 方法：在合成到真实场景（synthetic-to-real）上取得 68.20 mIoU，在真实到真实场景（real-to-real）上取得 71.87 mIoU 的优异成绩。 项目代码已开源，地址：https://github.com/devinxzhang/MFuser