ECMamba：融合 Retinex 引导与选择性状态空间模型的高效多曝光校正

基于摘要分析。本文研究图像过曝与欠曝条件下的曝光校正，提出 ECMamba，将 Retinex 引导与 Mamba 选择性状态空间建模结合，通过分别恢复反射分量和光照图的双路径结构，寻求校正质量与计算效率的平衡。主要研究对象是图像曝光恢复，而非 EEG 或 BCI 信号建模。 机制方面，作者先推导 Retinex 理论，并训练 Retinex estimator，将输入映射到两个中间空间，分别近似目标反射分量与光照图，再由 Exposure Correction Mamba Module（ECMM）进行细化恢复。ECMM 的核心算子是受 Retinex 信息引导的二维选择性状态空间层 Retinex-SS2D；其二维扫描策略基于可变形特征聚合。摘要未说明引导信息如何进入状态空间计算、扫描的具体实现、损失函数或各模块训练流程，这些细节尚未验证。 相较于一般曝光校正模型，本文的主要方法主张是将 Retinex 分解嵌入恢复架构，并据此设计状态空间算子与扫描策略，而不只是直接使用 Mamba。作者报告，广泛实验与消融支持 ECMamba 的性能及各组件的重要性；但摘要未提供数据集、划分、对照方法、评价指标、具体数值或计算成本，因而尚不能量化质量与效率收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码完整性、训练配置和结果可复现性尚未核对。 本文依赖图像的二维空间结构及反射—光照分解先验；材料未建立这些机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。