状态空间模型：计算机视觉中 Transformer 的天然鲁棒替代方案

基于摘要分析。本文研究视觉状态空间模型（Visual State Space Models，VSSMs）在计算机视觉中的鲁棒性，通过对抗攻击、分布外数据、常见损坏及图像结构变化等多个维度，考察其优势与脆弱性；主要贡献是鲁棒性分析，而非提出新的 EEG 或 BCI 方法。 在对抗鲁棒性方面，作者报告：在所评估的全图攻击条件下，VSSMs 优于 Transformer，但对局部补丁攻击存在脆弱性。在其他评估场景中，作者报告 VSSMs 对分布外（OOD）数据和常见损坏具有较好的泛化表现，却难以应对自然对抗样本。这些结果表明，不同扰动类型下的表现并不一致，不能将标题中的“天然鲁棒”理解为对所有攻击或分布变化均有效。 技术分析还涉及白盒攻击中的梯度，以及模型对图像结构变化的敏感性。摘要称，这些分析揭示了特定的脆弱性与防御特征，并将部分弱点关联到扰动分布和空间信息；但未提供具体机制、攻击配置或定量证据，尚无法判断结论是否适用于不同 VSSM 实现。 具体模型、数据集、数据划分、攻击预算、对照基线、结果指标、实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。本文的明确研究对象是视觉模型，摘要不足以建立其鲁棒性机制与 EEG 低信噪比、跨被试或通道变化之间的具体对应关系，因此暂不提出迁移实验方案；已有 EEG 相关工作尚未检索确认。