Pool-mamba：用于低光照图像增强的池化状态空间模型

基于摘要分析（仅提供研究亮点，未取得论文全文）。本研究面向低光照图像增强中的照明不均问题，提出池化状态空间模型 Pool-mamba，使用 Pyramid-pooling Mamba 捕获全局信息，并以 Axis-pooling Mamba 捕获细粒度局部细节。 机制与贡献：材料呈现的核心思路是将全局信息建模与局部细节提取结合，用于处理图像中不同区域的照明差异。尚无法确认池化操作与状态空间计算的具体连接方式、两类模块的融合方式，以及训练损失和推理流程，因此不能据此判断其相对其他 Mamba 或图像增强方法的实际优势。 证据边界：当前材料未提供可核对的实验结果。数据集、数据划分、对照基线、增强质量指标、计算开销、实验协议、消融及统计信息尚未验证；发表状态与复现资源也无法由现有材料确认。 平台推测（待验证）：若全局与局部信息分工的机制能够迁移，可探索其对 EEG 缓慢背景变化与短时局部模式联合建模的价值；这只是跨领域假设，并非已证实的 EEG/BCI 效果。迁移时需将图像空间池化改造为适合时间轴或通道拓扑的操作，并核对监督需求和训练规模。低信噪比、小数据、跨被试差异以及不规则通道布局可能使池化混合噪声或削弱短时判别信息。一个可检验的小实验是在固定 EEG 数据划分、训练预算与容量约束下，对照基础状态空间模型、单独池化模块及组合模块，检验性能变化是否稳定。已有 EEG 相关工作尚未检索确认。