NDMamba：用于夜间图像去雨的双先验状态空间模型

基于摘要分析。本文研究夜间图像去雨，旨在兼顾计算效率与图像恢复性能，并显式建模低照度条件下雨与光照的相互作用。作者提出 NDMamba，将光照与雨分布相关的退化线索作为双先验，引导状态空间模型进行图像恢复。 机制上，作者受 Retinex 理论启发，以场景反射分量影响雨纹分布的关系为设计依据，提出 Prior Extraction Module（PEM），联合建模光照条件与雨退化。Prior-Guided Mamba Block（PGMB）包含两个模块：Lighting-Adaptive Vision State-Space Module（LVSSM）引入光照先验；Rain Distribution Guidance Module（RDGM）利用雨分布信息细化局部特征。其方法特点是让先验参与特征建模，而不只是直接采用通用 CNN、ViT 或状态空间架构；具体先验表示、模块耦合方式、损失函数与训练流程尚未验证。 作者报告，在合成与真实世界夜间去雨基准数据集上，NDMamba 优于现有先进方法。但摘要未提供数据集名称、划分协议、评价指标、具体数值及计算开销，因此不能量化其优势或确认效率与恢复质量的权衡。实验协议、消融及统计信息尚未验证。作者提供了公开代码链接，其可运行性及复现所需的数据、权重与环境尚未核对。 本文的主要对象是受光照和雨退化影响的视觉图像，摘要中的机制依赖图像的光照、反射与雨纹结构，不能直接对应 EEG 的信号生成过程。当前材料不足以建立具体的 BCI 迁移路径，因此不据此提出 EEG 有效性结论或复现实验建议；相关 EEG 工作尚未检索确认。