MVSMamba：基于状态空间模型的多视图立体重建

基于摘要分析。本文研究多视图立体重建（Multi-View Stereo，MVS）中的特征匹配与计算效率问题，提出基于 Mamba 的 MVSMamba，通过动态扫描实现全局特征聚合。研究对象是视觉多视图重建，而非 EEG 解码或 BCI。 机制上，作者以 Transformer 建模长程依赖时的二次复杂度为动机，利用 Mamba 的全局建模能力与线性复杂度，设计 Dynamic Mamba module（DM-module）。其核心是以参考视图为中心的动态扫描策略，旨在实现参考视图与源视图之间的视图内及跨视图特征交互、全方向多视图特征表示，以及多尺度全局特征聚合。具体扫描顺序、状态空间参数化、损失函数及训练流程尚未验证。作者称其为首个基于 Mamba 的 MVS 网络，该优先性声明未独立核实。 作者报告，MVSMamba 在 DTU 数据集和 Tanks-and-Temples benchmark 上，相比先进 MVS 方法具有更好的性能与效率。摘要未给出具体指标、数值、数据划分、对照方法或效率测量条件，因而尚不能量化收益或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要提供了源代码地址，但代码完整性、运行环境及复现结果尚未核验。 平台推测（待验证）：可迁移的假设是，参考中心的动态扫描或可用于 EEG 多通道、多尺度特征交互；原方法依赖参考视图与源视图的组织关系，但其监督方式和训练规模尚不明确。EEG 通道并不等同于相机视图，需要重新定义参考通道、空间邻接关系和扫描顺序，不能直接复用视觉几何假设。低信噪比、跨被试差异、通道缺失及小数据可能使扫描偏置或额外模块抵消收益。一个可证伪的小实验是：在固定 EEG 数据划分、训练预算和特征提取器的条件下，对比参考中心动态扫描与固定扫描的 Mamba 模块，分别报告被试内与跨被试表现及推理成本，检验收益是否来自扫描机制。已有 EEG 相关工作尚未检索确认。