SSD-MIR：面向采用结构化视觉状态空间对偶的医学图像复原

基于摘要分析。本文研究医学图像复原中局部特征感知与长程依赖建模的结合问题，提出 SSD-MIR，利用状态空间对偶机制学习低质量输入到高质量输出的映射；主要研究对象是医学图像，而非 EEG 解码或 BCI。 模型依次包含输入投影与特征表示、深层特征变换、输出投影与特征逆变换三个部分。在核心的深层特征变换中，作者以 depthwise convolution 替代 1D causal convolution 进行额外特征映射，并采用优化的四方向扫描构建二维状态空间对偶模块；外层采用 MetaFormer 风格，结合残差连接与 LayerNorm。摘要以 Mamba2 的长程建模能力及线性计算复杂度为方法背景，但未提供 SSD-MIR 整体的实测计算开销。 作者报告，在多个医学图像复原任务上的实验结果优于当时的先进方法。摘要未列出具体任务、数据集、样本规模、数据划分、指标或基线名称，因此尚不能核对优势幅度与适用条件；实验协议、消融及统计信息尚未验证。复现时需核对四方向扫描的实现、卷积替换方式、复原目标和训练设置。 平台推测（待验证）：二维多方向扫描可为具有明确空间布局的 EEG 时频表示提供长程依赖建模思路，但其依赖图像式数据结构，复原目标还需核对配对或其他监督方式。迁移时需要改造输入与输出投影、通道空间布局及训练目标；低信噪比、跨被试差异、不规则电极排列和小数据可能削弱该机制的收益。一个可检验的小实验是在固定 EEG 时频表示与相同数据划分下，对比四方向扫描、单方向扫描及卷积基线，分别检查被试内与跨被试表现。此建议不是论文已验证的结果，相关 EEG 工作尚未检索确认。