URWKV：采用多状态视角的统一 RWKV 低光图像复原模型

基于摘要分析。本文研究低光图像增强（LLIE）及联合低光增强与去模糊（LLIE-deblur）中动态耦合退化的处理问题，提出 Unified Receptance Weighted Key Value（URWKV）模型，通过阶段内与阶段间的多状态信息支持低光图像复原；研究对象是图像退化，而非 EEG 或 BCI。 核心机制包括三个部分：Luminance-adaptive Normalization（LAN）受人类视觉系统瞳孔机制启发，利用阶段间状态调整归一化参数，实现随场景变化的亮度调制；阶段内多状态通过指数移动平均聚合，以捕捉细微变化并缓解单状态机制的信息损失；State-aware Selective Fusion（SSF）动态对齐、整合编码器各阶段的多状态特征，以减少常规跳跃连接带来的退化影响并选择性融合上下文。其方法重点是状态信息的组织与利用，而非仅替换图像复原骨干。 作者报告，URWKV 在多个基准上优于所比较的先进模型，同时使用更少的参数与计算资源。摘要未列出基准名称、指标、具体数值、数据划分或资源测量条件，因此这些优势的幅度与适用范围尚未验证；损失函数、训练设置、实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：可检验的假设是，多状态聚合与选择性融合可能有助于 EEG 模型处理时变噪声，但图像亮度调制并不直接对应 EEG 生理变化。可复用候选为状态聚合与 SSF 思路；LAN 的条件信号、空间特征对齐及输入表示需针对 EEG 时间轴与通道结构改造，原方法对监督形式和训练规模的依赖仍需核对。低信噪比可能使状态持续积累伪迹，被试差异、通道变化和小数据也可能削弱收益。可在固定 Cross-subject 划分与相同训练预算下，仅比较单状态和多状态聚合，检验分类指标及噪声扰动下的稳定性；这不是已证实的 BCI 效果，相关 EEG 工作尚未检索确认。