我们提出MG-Nav（Memory-Guided Navigation），一种用于零样本视觉导航的双尺度框架，该框架将全局记忆引导的规划与局部几何增强的控制相统一。其核心是稀疏空间记忆图（Sparse Spatial Memory Graph, SMG），一种紧凑且以区域为中心的记忆结构，其中每个节点聚合了多视角关键帧信息与物体语义，既捕捉了场景的外观特征，又保留了空间结构信息，同时维持了视点多样性。在全局层面，智能体在SMG上进行定位，并通过图像到实例的混合检索机制，生成以目标条件驱动的节点路径，从而获得一系列可到达的航点，实现长时程的导航引导。在局部层面，导航基础策略以点目标模式执行这些航点，采用障碍物感知的控制方式；当从最后一个节点向视觉目标进行导航时，系统自动切换至图像目标模式。为进一步提升观测与目标之间的视点对齐能力及目标识别性能，我们引入VGGT-Adapter，一个基于预训练VGGT模型构建的轻量级几何模块，该模块在共享的3D感知空间中对齐观测特征与目标特征。MG-Nav以不同频率分别执行全局规划与局部控制，并通过周期性重定位机制有效校正累积误差。在HM3D Instance-Image-Goal与MP3D Image-Goal基准测试上的实验结果表明，MG-Nav在零样本视觉导航任务中达到当前最优性能，并在动态重排及未见场景条件下仍保持高度鲁棒性。