HSRMamba：用于单幅高光谱图像超分辨率的上下文空间—光谱状态空间模型

基于摘要分析。该研究面向单幅高光谱图像超分辨率（HSISR），提出 HSRMamba，以局部空间—光谱分区和全局光谱重排序，缓解 Mamba 将图像转换为一维序列时对局部结构关系的忽略及对输入顺序的敏感性。研究对象是高光谱图像重建，并非 EEG 或 BCI。 机制上，局部分区在三维特征中建立相邻像素之间的 patch 级因果关系，旨在缓解局部遗忘；全局重排序依据光谱相似性组织序列，以增强空间与光谱维度上相似像素的因果表征。这里的“因果关系”应结合状态空间模型的序列处理语境理解，不应视为真实物理因果发现。摘要未交代具体分区方式、相似性计算、排序实现、损失函数及训练配置。 作者报告，在所进行的 HSISR 实验中，HSRMamba 的定量质量和视觉结果优于所比较的现有先进方法；但摘要未提供数据集、退化与划分协议、对照方法或指标数值，因此无法核验优势幅度与适用范围。材料提供了代码仓库地址，代码内容、运行条件、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，对多维信号进行局部结构保留和相似性驱动的序列组织，可能减轻 EEG 状态空间模型的通道顺序敏感性。可复用的是分区与重排序思路，需改造的是图像空间—光谱结构：EEG 的电极、时间与频率关系不能直接等同于像素与高光谱波段，光谱相似性也不能直接替换为 EEG 频谱相似性。低信噪比、跨被试差异、通道缺失及小数据可能使相似性估计和排序不稳定。一个可证伪的小实验是在固定跨被试划分、相同主干与训练预算下，对比固定通道顺序、局部分区及相似性重排序，检验收益是否在通道扰动下仍成立。已有 EEG 相关工作尚未检索确认。