增强快照压缩成像：采用 Across-Scanning 与局部增强的空间—光谱状态空间模型

基于摘要分析。该研究面向 Snapshot Compressive Imaging（SCI），研究如何从压缩测量重建高光谱图像（HSI），提出 ASLE-SSM，以空间—光谱状态空间模型结合局部扫描与 Across-Scanning，兼顾长程依赖、局部相似性和跨通道交互；其主要研究对象是高光谱图像重建，而非 EEG 解码或 BCI。 机制上，论文针对 CNN 长程依赖建模受限、Transformer 计算成本较高，以及已有视觉 Mamba 方法对空间和光谱局部相似性利用不足的问题，在空间维度引入局部扫描以平衡全局与局部感受野，并基于空间—光谱局部立方体进行 Across-Scanning，利用相邻像素与相邻光谱波段的相似性指导重建。作者称两类扫描机制不增加额外成本；其具体实现、复杂度计算与局部增强模块细节尚未验证，摘要也未说明损失函数和训练流程。 作者报告 ASLE-SSM 优于现有先进方法，相比 Transformer 方法 MST，推理速度为其 2.4 倍，参数量减少 0.12 M，并称其计算成本和参数量最低。这些结论限定于作者所用的 HSI 重建评估，但摘要未提供数据集、划分、重建质量指标、测速硬件或输入规模，因此尚不能核对比较条件与优势幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，通过兼顾局部邻域与长程关系的扫描路径，改善 EEG 时序及跨通道依赖建模。可复用的是扫描路径设计思想，需改造的是空间—光谱立方体及其邻域定义：EEG 电极邻接不等同于像素网格，通道也不具有光谱波段式的连续顺序。低信噪比、跨被试差异、通道配置变化及小数据条件可能使局部相似性假设失效。一个可证伪的小实验是在固定 EEG 数据划分和相同训练预算下，对比常规扫描、仅时间局部扫描与电极邻接扫描，并分别报告被试内和跨被试结果，以检验邻域设计是否带来稳定收益。已有 EEG 相关工作尚未检索确认。