ECMamba：融合 Retinex 引导与选择性状态空间模型的高效多曝光校正

基于摘要分析。该研究针对过曝光与欠曝光图像的曝光校正问题，提出 ECMamba，将 Retinex 分解先验与 Mamba 的序列建模结合，以兼顾图像恢复质量和计算效率；主要研究对象是图像恢复，而非 EEG 或 BCI。 机制方面，作者训练 Retinex estimator，将输入映射到分别近似目标反射率和光照图的两个中间空间，再通过双路径分别恢复反射率与光照。后续 Exposure Correction Mamba Module（ECMM）以 Retinex-SS2D 为核心算子，将 Retinex 信息用于引导二维选择性状态空间建模，并采用基于可变形特征聚合的二维扫描策略。其方法重点是把图像形成先验嵌入状态空间模型，而不只是直接使用 Mamba。 作者报告，实验及消融支持 ECMamba 的性能和各组件的重要性，但摘要未提供数据集、划分协议、对照方法、具体指标或计算成本，因而尚不能量化质量与效率收益。损失形式、监督目标的构造、扫描实现以及实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，实际复现仍需核对正文、配置与训练条件。 平台推测（待验证）：可探索的是“利用领域先验引导状态空间扫描”这一机制，而不是直接将 Retinex 分解套用于 EEG。原方法依赖二维图像结构及反射率、光照的物理解释；若用于 EEG，需重新定义通道—时间结构和可验证的引导信息，可复用状态空间建模思路，但应改造二维扫描与引导模块。EEG 的低信噪比、跨被试差异、通道布局变化及小数据训练可能使引导偏差被放大。一个可证伪的小实验是假设在固定 Cross-subject 划分下，采用电极空间关系引导的扫描优于无引导及随机关系引导，并在匹配训练预算下检验通道扰动后的表现。该假设不构成已证实的 BCI 收益，已有 EEG 相关工作尚未检索确认。