Mesh Mamba：用于无纹理与有纹理网格显著性预测的统一状态空间模型

基于摘要分析。本文研究 3D 网格的几何结构与纹理如何共同影响视觉显著性，提出统一状态空间模型 Mesh Mamba，并构建覆盖有纹理与无纹理视觉条件的网格显著性数据集。主要研究对象是 3D 视觉中的网格显著性预测，而非 EEG 解码或 BCI。 机制上，Mesh Mamba 分析网格几何结构，并将纹理特征纳入拓扑框架；通过子图嵌入与双向 SSM，为局部几何和纹理建立全局上下文。作者将拓扑结构保持与外观信息整合视为核心设计目标。摘要未说明子图构造、序列组织、几何与纹理融合方式、损失函数及训练和推理配置，尚不能判断这些设计的具体实现或独立贡献。 数据方面，作者称所建数据集首次系统记录有纹理和无纹理条件下显著性分布的差异，该优先性主张尚未独立核实。作者报告，理论与实证验证显示模型在多种网格类型上改善性能，并在不同视觉特征的交叉验证中体现可扩展性和通用性；摘要未提供数据集名称、规模、显著性标注方式、划分协议、对照基线或定量指标。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：其“子图嵌入—双向 SSM”机制可能为具有电极空间图结构的 EEG 建模提供参考，假设局部电极关系与全局依赖共同影响解码。可参考子图表征和上下文聚合思路，但需重新定义电极邻接、时间组织及任务监督，不能直接沿用网格纹理输入和显著性目标。低信噪比、跨被试电极关系差异、通道缺失与小样本可能使该假设失效。一个可检验的小实验是在固定 Cross-subject 划分下，比较相同输入和训练预算的局部图模型与加入双向 SSM 的版本，并测试通道缺失时的性能变化。此类迁移尚无本文证据支持，已有 EEG 相关工作尚未检索确认。