FourierMamba：融合 Fourier 学习与状态空间模型的图像去雨方法

基于摘要分析。该研究针对图像去雨中 Fourier 方法较少联合建模低频与高频关联的问题，提出 FourierMamba，在 Fourier 空间引入 Mamba，以利用不同频率之间的依赖关系恢复清晰图像背景。主要研究对象是图像去雨，而非 EEG 或 BCI。 核心机制是根据频率在不同维度上的排列方式采用不同设计。在空间维度的 Fourier 空间中，频率沿坐标轴并非按低频到高频排列，方法使用 zigzag 编码扫描并重排频率顺序，再建模频率之间的关联；在通道维度的 Fourier 空间中，频率沿轴已有排列顺序，因此直接使用 Mamba 建模频率关联，增强通道信息表征。相较于摘要所述既有 Fourier 去雨方法，其主要创新是显式利用跨频率关联，而不只是将 Fourier 变换作为捕捉雨纹的频率先验。 作者报告，该方法在图像去雨实验中定性与定量表现均优于所比较的先进方法。摘要未提供数据集、训练与测试划分、具体对照方法、评价指标或数值，因此不能判断优势幅度及适用范围。网络细节、损失函数、训练配置、消融及统计信息尚未验证。 平台推测（待验证）：频率排序后使用状态空间模型建模关联，可能为 EEG 频域表征提供可检验的机制假设，但图像雨纹的频率结构不等同于神经信号与伪迹的结构。可考虑复用频率序列建模思路；二维 zigzag 扫描和通道 Fourier 处理则需依据 EEG 的时间—频率组织及电极排列重新评估。低信噪比、跨被试频谱差异、通道顺序缺乏稳定意义以及小数据条件，均可能使模型学到伪迹或被试特征。一个小规模检验是在固定 EEG 数据划分、训练预算和分类器条件下，对比按频率排序的 Mamba、打乱频率顺序的 Mamba 与不建模跨频率关联的基线，检验排序机制是否带来可重复收益。相关 EEG 工作尚未检索确认，以上不构成已验证的 BCI 效果。