选择与剪枝：用于双视图对应关系学习的可微因果顺序化状态空间模型

基于摘要分析。本文研究图像对中的双视图对应关系学习，即区分真实与错误的关键点匹配，提出基于 Mamba 的对应关系过滤模型 CorrMamba。核心贡献是结合选择性信息提取、可微因果顺序化学习与局部上下文增强，在筛除错误匹配时利用空间与上下文信息。 机制上，作者利用 Mamba 的选择性挖掘真实对应关系中的信息并减轻错误对应关系的干扰。针对无序关键点可能妨碍空间信息建模的问题，方法基于 Gumbel-Softmax 自主建立特征间的因果依赖，并保持顺序化过程可微；另设局部上下文增强模块，补充对应关系剪枝所需的线索。这里的“因果”是作者对序列学习机制的表述，摘要不足以确认其是否涉及因果推断意义上的识别或干预。具体排序规则、监督信号、损失函数及模块实现尚未验证。 作者报告，在相对位姿估计与视觉定位等实验中，CorrMamba 达到 SOTA；其中，室外相对位姿估计的 AUC@20° 相比此前 SOTA 提高 2.58 个百分点。摘要未提供数据集名称、划分、具体对照方法或绝对分数，因此不能据此比较其他评估协议。计算成本优势、消融及统计信息尚未验证。作者表示代码将公开，材料不能确认其已发布。 平台推测（待验证）：可迁移的机制假设是选择性状态更新有助于抑制不可靠特征，而可微顺序化可能用于组织无天然线性顺序的 EEG 通道或空间特征。但原任务依赖图像关键点对应关系及空间上下文，其具体监督与训练规模尚未验证；EEG 的低信噪比、跨被试差异、通道配置变化和小数据可能使学习到的顺序不稳定。可考虑复用选择性状态空间模块，改造顺序化输入与局部邻域定义；小规模检验可在固定 EEG 数据划分及训练预算下，对比固定通道顺序与可微学习顺序，并测试通道置换后的稳定性。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。