SF-Mamba：重新思考用于视觉的状态空间模型

基于摘要分析。本文针对视觉 Mamba 的扫描机制限制图像 patch 间非因果交互、多扫描策略带来数据重排开销，以及短 token 序列下计算速度较慢的问题，提出 SF-Mamba，尝试同时改善视觉编码的信息流与计算效率。 核心机制包括两项：辅助 patch swapping，在单向扫描中编码双向信息流；batch folding 配合周期性状态重置，以提升 GPU 并行度。其思路不是单纯增加扫描方向，而是重新组织 patch 交互与计算执行。摘要未说明交换规则、折叠维度、状态重置周期，以及这些操作如何保持上下文信息，具体实现尚未验证。 作者报告，在图像分类、目标检测、实例分割和语义分割实验中，SF-Mamba 在不同模型规模下优于作者所称的最先进基线，并提升吞吐量。摘要未提供数据集、划分、评价指标、数值、硬件环境及吞吐测量条件，因此目前不能量化性能收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容、运行依赖与复现结果尚未核验。 平台推测（待验证）：若 EEG 被组织为时间片段或通道—时间 token，patch swapping 可能为单向扫描补充双向上下文，batch folding 则可能改善短序列训练或推理的 GPU 利用率。这一假设依赖 token 的时空结构及计算规模，视觉任务中的收益不能直接视为 BCI 效果。迁移时需改造交换规则以匹配电极与时间关系，并核对周期性状态重置是否截断关键时序信息；低信噪比、跨被试差异、通道变化和小数据可能削弱收益，在线因果解码也需单独评估。可先在固定 EEG 数据划分和硬件条件下，对比原始单向 Mamba 与分别加入两项机制的版本，记录任务指标、吞吐及延迟，以检验机制收益能否迁移。相关 EEG 工作尚未检索确认。