MambaSIC：采用双向多参考熵模型的基于 Mamba 的立体图像压缩

基于摘要分析。MambaSIC 研究立体图像压缩中的双视图冗余建模与编码速度问题，提出基于 Mamba 的 stereo visual state space block（stereo VSSB）及双向多参考熵模型，以改善压缩性能与效率；其主要研究对象是立体图像，而非 EEG 或 BCI 信号。 摘要将既有方法的计算瓶颈归于 cross-attention 的二次复杂度和熵模型的空间自回归迭代。所提 stereo VSSB 利用 Mamba 的线性复杂度与长程建模能力，捕获两个视图之间的冗余信息；双向多参考熵模型结合棋盘格划分与 stereo VSSB 提供的跨视图先验，旨在加快压缩并提高概率估计准确性。具体扫描方式、参考信息组织、概率分布形式及训练目标尚未验证。 作者报告 MambaSIC 在压缩性能和效率上均优于现有先进方法，但摘要未提供数据集、划分、对照方法、率失真指标、编解码耗时或运行硬件，因而目前不能量化优势或判断其适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将其用于 EEG 压缩，可检验的机制假设是利用多通道相关性辅助熵建模，而不是直接将双视图结构等同于 EEG 通道结构。可能复用状态空间建模与分组条件概率估计思路，但需重新设计通道与时间组织、参考关系及失真目标；低信噪比、跨被试差异、通道布局变化和小样本训练均可能削弱收益。一个小规模检验是，在固定数据划分与相同失真目标下，对比单通道独立熵模型与引入跨通道参考的模型，同时测量码率、重建失真和编码延迟。已有 EEG 相关工作尚未检索确认。