XYScanNet：用于单幅图像去模糊的状态空间模型

基于摘要分析。XYScanNet 针对单幅图像去模糊中 Mamba 类状态空间模型的扫描方式问题，提出 slice-and-scan 策略，并结合新的 Vision State Space Module（VSSM）与轻量特征融合模块，旨在改善局部依赖建模和图像感知质量。 核心机制：作者认为，既有 flatten-and-scan 将图像块展平为一维序列，会把空间上相距较远的像素置于序列相邻位置，导致空间错位并削弱局部噪声感知。slice-and-scan 改为交替沿切片内部与切片之间扫描，以处理这一问题。摘要还说明新 VSSM 旨在应对现有 Mamba 视觉模块的效率问题，但切片定义、扫描顺序、状态更新、融合结构、损失函数及训练设置尚未验证。 结果与证据范围：作者报告，XYScanNet 保持了有竞争力的失真指标，并显著改善感知表现；相对最接近的竞争方法，KID 改善 17%。摘要未给出该比较使用的数据集、划分、基线名称、KID 绝对值及计算协议，因此不能将这一相对改善解释为百分点变化，也不能据此判断跨数据集表现。实验协议、消融及统计信息尚未验证，效率优势也需结合正文中的运行时间、计算量与硬件条件核对。 平台推测（待验证）：迁移假设是，若 EEG 被表示为通道×时间或时频二维结构，保留局部邻接关系的扫描可能缓解展平造成的序列邻接错配。可借鉴的是扫描组织方式，需改造的是切片定义、通道拓扑和面向 EEG 任务的输入输出与训练目标；其依赖合理的邻接结构及足够的训练信号，而图像去模糊结果不构成 EEG 有效性的证据。低信噪比、跨被试差异、通道布局变化和小数据可能使这种局部先验失效。一个可证伪的小实验是，在同一 EEG 任务、固定模型规模和训练预算下，对比展平扫描与切片扫描，并采用一致的跨被试划分，检验任务指标与计算成本是否改善。已有 EEG 相关工作尚未检索确认。