EAMamba：用于图像复原的高效全方位视觉状态空间模型

基于摘要分析。本文研究低层视觉中的图像复原，提出 Efficient All-Around Mamba（EAMamba），旨在缓解 Vision Mamba 的计算开销随扫描序列数量增长、以及局部像素信息遗忘的问题。其核心贡献是结合 Multi-Head Selective Scan Module（MHSSM）与全方位扫描机制，在利用长程依赖的同时兼顾效率与局部信息保留。 机制方面，作者描述 MHSSM 可高效聚合多个扫描序列，避免由此增加计算复杂度与参数量；全方位扫描则通过多种扫描模式捕获整体信息，处理局部像素遗忘问题。摘要没有提供具体扫描路径、聚合运算、损失函数或训练配置，因而尚不能确认其复杂度论证及模块实现细节。 作者报告，在超分辨率、去噪、去模糊和去雾等图像复原任务中，相较现有低层视觉 Vision Mamba 方法，EAMamba 的 FLOPs 降低 31–89%，同时保持有利的复原性能。该区间对应不同任务或配置的具体关系、输入分辨率、对照模型与性能指标尚未验证，不能将其直接等同于实际运行时间或内存收益。数据集、划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多扫描聚合可在不显著增加成本的情况下兼顾局部与长程信息，其机制可能用于 EEG 时频表示建模；但原论文对象是图像，而非神经信号。迁移需改造扫描路径与输入表示，避免把电极排列当作天然图像邻接关系；低信噪比、通道变化、跨被试差异及小数据条件可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、训练预算与输入表示下，比较单扫描与 MHSSM 多扫描版本的任务指标、FLOPs 和实际延迟，检验效率收益是否伴随性能保持。已有 EEG 相关工作尚未检索确认。