MambaLLIE：基于先全局后局部状态空间的隐式 Retinex 感知低光照图像增强

基于摘要分析。该研究面向低光照图像增强，提出 MambaLLIE，以隐式 Retinex 感知和先全局后局部的状态空间设计，联合处理全局光照退化与暗光条件下的局部噪声、模糊。原论文研究对象是视觉图像，而非 EEG 或 BCI。 作者认为，传统 Retinex 理论主要描述全局光照退化，未充分涵盖局部退化，而视觉状态空间模型也存在局部依赖与全局上下文融合的挑战。其 Local-Enhanced State Space Module（LESSM）在二维选择性扫描中引入增强的局部偏置，以保留局部二维依赖；Implicit Retinex-aware Selective Kernel（IRSK）通过空间变化操作与自适应核选择，按输入动态选择特征。Global-then-Local State Space Block（GLSSB）以 LayerNorm 为核心整合两者，实现全局长程建模与局部特征聚合。摘要未说明 Retinex 如何具体进入模型约束，也未给出损失函数和训练流程。 作者报告，在低光照图像增强实验中，MambaLLIE 显著优于所比较的先进 CNN 与 Transformer 方法；但摘要未提供数据集、划分、指标、具体数值或基线配置，尚不能核对优势幅度及适用条件。实验协议、消融及统计信息尚未验证。材料提供项目页，但代码、权重与复现配置的可用性尚未验证。 平台推测（待验证）：可迁移的假设是“长程状态建模与局部偏置协同”可能帮助 EEG 同时利用长时间依赖和局部波形，而非将光照分解直接用于神经信号。候选模块是选择性扫描与局部聚合；需重构时间—通道表示、扫描顺序和邻域定义，因为 EEG 通道排列不天然等同于图像二维邻接。低信噪比、跨被试差异、通道变化及小数据可能使局部偏置放大伪迹或过拟合。一个小规模可证伪实验是在固定 EEG 任务与跨被试划分下，对比基础 SSM 与加入局部偏置的版本，控制训练预算并评估噪声扰动下的表现；这不是原论文已验证的结果。相关 EEG 工作尚未检索确认。