MambaVC：基于选择性状态空间的学习式视觉压缩

基于摘要分析。本文研究学习式视觉压缩中率失真性能与计算效率难以兼顾的问题，提出基于状态空间模型（SSM）的压缩网络 MambaVC，利用选择性扫描捕获全局上下文，以减少视觉内容冗余；主要研究对象是图像压缩，并非 EEG 解码或 BCI。 机制上，MambaVC 构建视觉状态空间（VSS）块，在每次下采样后以二维选择性扫描（2DSS）模块作为非线性激活函数。作者将 SSM 的长程建模能力与效率作为设计动机，并比较不同网络设计。具体网络规模、损失函数、熵编码机制、训练数据及训练条件尚未验证。 作者报告，在 Kodak 上，相对于 CNN 和 Transformer 变体，率失真表现分别改善 9.3% 和 15.6%，计算量分别降低 42% 和 24%，内存开销分别减少 12% 和 71%。摘要未明确率失真改善百分比的计算口径，也未给出基线具体配置及资源测量条件，不能将这些数值直接解释为码率降幅或跨协议优势。作者还报告高分辨率图像上的改善更大，但摘要未提供相应数值。实验协议、消融及统计信息尚未验证；摘要提供了代码地址，复现仍需核对配置、数据处理和评估脚本。 平台推测（待验证）：迁移假设是选择性状态空间的长程建模可用于 EEG 时序压缩，缓解长记录建模与资源开销之间的矛盾，而非据此认定其能提升 BCI 分类。原方法依赖二维图像结构和率失真优化，所需数据规模及监督设置尚未明确；可复用的是状态空间建模思想，扫描顺序、通道布局、失真目标及编码模块需改造。低信噪比、跨被试差异、通道变化和小数据可能导致模型保留噪声或损伤任务相关信息。一个可检验的小实验是在固定被试内划分、相同码率与训练预算下，对比适配后的状态空间压缩器和 CNN 压缩器，同时测量重建误差、资源开销及固定下游解码器的 Accuracy。已有 EEG 相关工作尚未检索确认。