ColorMamba：基于 Mamba 的高质量 NIR-to-RGB 光谱转换

基于摘要分析。ColorMamba 研究近红外（NIR）图像到可见光 RGB 图像的光谱转换，旨在兼顾跨域重建所需的广域感受野与计算效率。其核心贡献是在 Mamba 骨干中结合可学习填充 token、局部卷积增强和 agent attention，并利用 HSV 颜色信息提供多尺度重建引导；研究对象是图像光谱转换，而非 EEG 解码或 fNIRS 信号分析。 机制上，摘要指出 Mamba 能以线性复杂度捕获长程依赖，但将二维图像转成一维序列可能忽略局部上下文。ColorMamba 用可学习填充 token 增强图像边界的区分，减少序列模型中的潜在混淆；局部卷积增强与 agent attention 用于进一步改善原始 Mamba。HSV 引导服务于颜色重建。具体扫描顺序、token 放置位置、注意力实现、损失及训练配置尚未验证。 作者报告，ColorMamba 相对其称为当前最先进的方法，PSNR 提升 1.02。摘要未注明该差值的单位，也未提供数据集、划分、基线名称和绝对 PSNR，因此该结果只能视为原文未展开评估协议下的作者报告，不能据此比较其他任务或协议。摘要给出了代码地址，但实现与复现条件尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，显式区分序列边界并补充局部上下文，可能帮助处理 EEG 时间片段或通道序列化造成的结构混淆。可复用的是边界 token 与局部增强思路，需按时间连续性和电极空间关系改造序列组织；HSV 引导则没有直接对应的 EEG 用途。低信噪比、跨被试差异、通道变化及小数据可能使新增模块学习伪相关。一个可证伪的小实验是在固定 Cross-subject 划分、相同训练预算下，比较原始 Mamba、加入边界 token 及再加入局部增强的版本，检验收益是否稳定，并考察通道变化后的表现。图像结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。