QMamba：Vision Mamba 在图像质量评估中的首次探索

基于摘要分析。该研究面向图像质量评估（IQA），探索 Vision Mamba 的感知能力，提出适配任务特定、通用及可迁移 IQA 的 QMamba，并通过 StylePrompt 提升预训练 QMamba 对下游 IQA 任务的迁移能力。“首次探索”是作者的定位，尚未独立核实。 核心机制是对 Mamba 进行 IQA 任务适配，并在 StylePrompt 中注入轻量的均值与方差提示，辅助任务自适应迁移学习。摘要未说明这些统计量的来源、提示注入位置、质量预测目标、损失函数或预训练与微调流程，因此不能据此确定具体网络结构或训练配置。 作者报告，在多个合成失真、真实失真及跨 IQA 数据集实验中，QMamba 相较 Swin Transformer、ViT 和 CNNs 具有感知性能与计算成本优势；相较已有提示调优策略，StylePrompt 以较低计算成本获得更好的感知迁移。摘要未提供数据集名称、划分、指标、数值及成本测量口径，以上结论仍需结合全文核对，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：均值与方差提示可能为 EEG 域适应提供一种轻量条件化思路，但图像质量感知并不等同于 EEG 解码。该假设依赖 EEG 特征统计能反映可迁移的域差异，而非主要反映噪声或任务相关信号。可考虑复用统计提示机制，但需改造 EEG 输入表示、通道对应与任务输出；低信噪比、被试差异、通道变化及小数据可能使提示估计不稳定，或误调节有用信号。一个小规模可证伪实验是在固定 Cross-subject 划分和同一 EEG 骨干下，对比无提示、常规提示与均值/方差提示，保持标注预算一致，检查目标被试表现及训练成本。该方案仅属迁移假设，已有 EEG 相关工作尚未检索确认。