FLASH：用于多曝光 HDR 重建的快速轻量级状态空间模型架构

基于摘要分析。该研究针对多曝光高动态范围（HDR）图像重建中，由物体位移及输入低动态范围（LDR）图像欠曝光或过曝光引起的重影伪影，提出 FLASH-S 和 FLASH 两种架构。核心贡献是在图像特征增强中引入 Vision Mamba 状态空间模型（SSM），并在 FLASH 中进一步使用光流对齐输入图像。 机制方面，FLASH-S 使用基于 Vision Mamba 的注意力模块处理提取的图像特征，并沿四个方向将特征序列化；作者将这一设计解释为使序列中各图像 patch 获得同等重视。FLASH 则在此基础上加入光流对齐，以处理多曝光输入之间的空间位移。摘要未提供模块结构、损失函数、训练设置或光流实现，四方向扫描和对齐模块各自的贡献尚需全文核对。 评估使用 Kalantari、SynHDR 和 Tursun 数据集。作者报告，基于七项质量指标和三项计算成本指标，FLASH-S 与 FLASH 优于所比较的先进算法，并称 FLASH 在定性重建、泛化能力及真实环境测试中表现更好。摘要未列出具体指标名称、数值、数据划分、对照方法及泛化测试协议，因此无法判断优势幅度、统计可靠性或不同评估条件下的一致性。实验协议、消融及统计信息尚未验证。材料提供了源码仓库，但代码完整性、预训练权重和复现依赖尚未核实。 平台推测（待验证）：可讨论的跨领域假设仅限于多方向 SSM 扫描对结构化特征的建模，不是将 HDR 重建直接视为 BCI 方法。原任务依赖多曝光图像的空间对应关系；若用于 EEG，需重新定义时间与通道的序列组织，并处理通道拓扑差异，图像光流对齐不能直接照搬。可复用候选是 SSM 特征处理模块，需改造的是输入编码、扫描路径和任务输出。低信噪比、跨被试分布变化及小数据训练可能使多方向扫描收益消失。一个可证伪的小实验是在固定 EEG 数据划分、训练预算和近似参数量下，对比单向与多方向扫描，检验后者是否带来稳定增益；已有 EEG 相关工作尚未检索确认。