RestorMamba：用于图像恢复的增强协同状态空间模型

基于摘要分析。该研究提出基于 State Space Model（SSM）的图像恢复方法 Restoration Mamba（RestorMamba），旨在高纹理、高分辨率场景中高效建模长程依赖。核心贡献是引入 Skip Scan 和 Enhanced Synergistic Mamba（ESM）Block，以在保持全局感受野的同时利用更广泛的上下文。 摘要将方法引入时的任务称为 image inpainting（图像修补），但所列实验覆盖图像去雨、Gaussian 灰度／彩色去噪和真实图像去噪，不能据此将这些任务视为同一种评估。作者报告 RestorMamba 在上述去雨、去噪任务中达到最先进性能；摘要未提供数据集、划分、对照方法、指标或具体分数，因此这一性能结论尚不能独立核验。Skip Scan 的扫描方式、ESM Block 的内部结构、损失与训练策略，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设其长程依赖建模机制可复用于 EEG，则可能有助于利用较长时间上下文，但图像空间结构与 EEG 的时间—通道结构并不等价。可考察复用 SSM 建模模块，重新设计输入表示与扫描顺序；原方法依赖的图像监督方式及训练规模尚未明确。低信噪比、跨被试差异、通道布局变化和小数据训练均可能使迁移失效。 一个可检验的小实验是在固定 EEG 任务、数据划分及训练预算下，对比常规 SSM 与加入适配后 Skip Scan／ESM 的版本，分别报告被试内与跨被试结果，并检验收益是否随输入时间窗变化。该方案只是迁移假设，不代表已有 EEG 效果；相关 EEG 工作尚未检索确认。复现图像结果仍需取得全文及核对实现、数据和评估设置。