PRE-Mamba：用于超高频事件相机去雨的 4D 状态空间模型

基于摘要分析。该研究面向雨天事件相机的密集噪声问题，提出基于点的去雨框架 PRE-Mamba，旨在缓解时间精度、去雨效果与计算效率之间的权衡；主要贡献是结合双时间尺度事件表示、时空解耦与融合、多尺度状态空间建模及频域正则化。 机制方面，4D event cloud 表示整合双时间尺度，以保留原始事件的高时间精度；Spatio-Temporal Decoupling and Fusion（STDF）模块在浅层解耦时间与空间信息并促进交互；Multi-Scale State Space Model（MS3M）在双时间尺度和多空间尺度上捕捉更深层的雨动态，作者称其具有线性计算复杂度。摘要未说明第四维的具体定义、双时间尺度的构造方式、频域正则化的损失形式及各模块的训练细节，这些内容尚未验证。 作者报告，在包含带标签合成序列与真实世界序列的 EventRain-27K 上，PRE-Mamba 的 SR 为 0.95、NR 为 0.91，处理耗时为 0.4 s/M events，参数量为 0.26 M。上述指标的定义、数据划分、对照基线、运行硬件及统计信息尚未验证，不能据此确认相对优势的幅度。作者还报告模型可泛化至不同雨强、视角及雪天条件，但摘要未提供对应的分项结果。摘要给出了代码和数据集地址，其可访问性与复现完整性尚未核验。 平台推测（待验证）：其双时间尺度与多尺度状态空间机制可能为 EEG 中短时伪迹和较慢背景变化的联合建模提供参考，但原任务依赖异步事件点及空间坐标，而 EEG 通常是规则采样的多通道连续信号，不能直接复用事件表示或去雨监督。可尝试改造输入表示与通道关系建模，先在固定被试内划分、同一伪迹注入协议下，对比单时间尺度与双时间尺度模型的去噪误差及 ERP 波形保真度。低信噪比、通道差异和小数据可能导致有效神经活动被误删；该假设不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。