HSRMamba：用于单幅高光谱图像超分辨率的上下文空间—光谱状态空间模型

基于摘要分析。该研究面向单幅高光谱图像超分辨率（HSISR），提出 HSRMamba，试图解决 Mamba 将图像转换为一维序列时丢失局部空间—光谱结构关系、且对输入顺序敏感的问题。其贡献集中于局部空间—光谱分区和全局光谱重排序，而非 EEG 或 BCI 信号建模。 机制上，局部空间—光谱分区在三维特征中建立相邻像素之间的分块因果关系，以缓解作者所称的局部遗忘；全局光谱重排序则依据光谱相似性组织序列，增强空间与光谱维度上相似像素的因果表示。这里的因果关系属于模型序列处理语境，不应解读为真实物理因果发现。摘要未提供分区规则、相似性计算、排序实现、损失函数及训练细节，其相对于其他扫描或排序策略的差异尚需全文核对。 作者报告，HSRMamba 在高光谱图像超分辨率实验的定量质量和视觉结果上优于所比较的现有领先方法；摘要未列出数据集、退化与放大设置、划分、指标数值或具体基线，因此无法判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现完整性、依赖环境和结果可复现性尚未核验。 平台推测（待验证）：若 EEG 被表示为具有明确通道拓扑及频率邻接关系的特征张量，局部分区可能用于保留邻近通道与频带结构，相似性排序可能用于研究状态空间模型的输入顺序敏感性。可复用的是分区与排序思路；需改造的是图像邻域定义、光谱相似性及任务输出。高光谱波段并不等同于 EEG 频带，低信噪比可能使相似性排序不稳定，跨被试差异、通道布局变化及小数据也可能削弱效果。一个可证伪的小实验是在固定跨被试划分与同一 EEG 状态空间基线上，比较固定顺序、仅局部分区、仅相似性排序及两者组合，保持训练预算一致，检验任务指标和排序稳定性；若排序由数据估计，应限定在训练数据内。已有 EEG 相关工作尚未检索确认。