NDMamba：用于夜间图像去雨的双先验状态空间模型

基于摘要分析。NDMamba 面向夜间图像去雨中计算效率与恢复质量的权衡，以及低照度条件下雨线与照明交互建模不足的问题，提出由照明和雨分布双先验引导的状态空间模型。 机制上，作者借鉴 Retinex 理论，以场景反射分量影响雨线分布为出发点，设计 Prior Extraction Module（PEM），联合建模照明条件与雨退化。Prior-Guided Mamba Block（PGMB）包含引入照明先验的 Lighting-Adaptive Vision State-Space Module（LVSSM），以及用于细化局部特征的 Rain Distribution Guidance Module（RDGM）。摘要未说明先验的具体计算方式、注入位置、损失函数或训练流程，尚不能判断各模块贡献及额外计算开销。 作者报告，NDMamba 在合成与真实场景基准数据集上优于现有先进方法；但摘要未给出数据集名称、划分、对照方法、恢复质量指标或效率测量条件，因此无法核对优势幅度及比较前提。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但代码可用性、训练配置与复现依赖尚未核验。 平台推测（待验证）：可借鉴的是“以退化先验引导状态空间特征处理”的思路，而非直接将照明和雨分布先验用于 EEG。假设能够从 EEG 构造可靠的通道质量或伪迹先验，可探索其是否改善低信噪比条件下的表征；这需要改造先验提取及其与时间、通道结构的结合方式。图像反射与照明分解不等同于 EEG 信号与伪迹分离，先验误差、跨被试和通道差异、小数据过拟合均可能使迁移失败。一个可证伪的小实验是在固定跨被试划分、相同训练预算下，对比无先验、质量先验及打乱先验的状态空间模型，检查先验收益是否稳定且超过额外复杂度带来的收益。已有 EEG 相关工作尚未检索确认。