LFMamba：用于光场显著目标检测的焦点堆栈感知状态空间建模

基于摘要分析。本文研究光场显著目标检测（SOD），针对不同焦平面切片之间的动态语义不一致，以及焦平面切片与全聚焦图像之间的表征异质性，提出 LFMamba，联合建模跨切片语义一致性与自适应跨模态融合；其主要研究对象是光场图像，而非 EEG 或 BCI。 核心机制包括两个模块。Focal-aware State Space Module（FSSM）通过低秩分解生成焦点感知语义提示，再根据焦平面索引自适应路由，借助非因果状态转移实现切片间的双向语义传播。Focal-guided Cross-modal Fusion Module（FCFM）采用两阶段层级策略，先进行结构感知的低层特征对齐，再进行门控高层语义融合。相较于将切片同等处理或简单融合的思路，该方法显式区分了焦点变化引起的语义漂移与不同图像表征之间的对齐问题；具体状态更新、低秩分解形式、损失及训练流程尚未验证。 作者报告，在四个公开光场 SOD 基准上，LFMamba 相较于现有先进方法表现更优，并在复杂焦点变化场景下具有更好的鲁棒性与一致性。摘要未提供基准名称、数据划分、指标、具体数值及对照方法，因此无法量化收益或核对比较条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究借鉴的部分是按有序索引调节语义提示与分层门控融合，而非焦平面语义本身。迁移假设依赖 EEG 时间窗或频带具有可利用的有序结构，并需将焦平面索引及图像结构对齐替换为信号适配机制。低信噪比、跨被试差异、通道变化和小数据可能使提示路由不稳定；非因果传播也不宜直接用于要求严格实时性的 BCI。一个可证伪的小实验是在固定跨被试划分下，对比相同状态空间骨干的均匀融合与索引条件提示，保持预处理和训练预算一致，并检验打乱索引后增益是否消失。已有 EEG 相关工作尚未检索确认。