SMamba：通过可伸缩状态空间模型实现任意尺度超分辨率

基于摘要分析。该研究针对任意尺度超分辨率（ASSR），提出正文称为 S³Mamba 的方法，旨在用单一模型将低分辨率图像重建到任意目标尺度。其核心贡献是通过 Scalable State Space Model（SSSM）构建可伸缩的连续表示空间，并结合尺度感知自注意力强化不同尺度下的全局重要特征建模。 机制上，Implicit Neural Representations（INR）通过坐标与像素值之间的连续表示支持任意尺度重建。作者认为，现有基于 CNN 和 Transformer 的方法受到计算复杂度及长程依赖建模能力的限制；SSSM 在离散化过程中调制状态转移矩阵与步长采样矩阵，以实现尺度可调的连续表示建模。作者报告该机制具有线性计算复杂度，但摘要未说明其对应的复杂度变量、完整网络开销或具体调制形式，尚需全文核对。 作者报告，在合成及真实场景基准上的实验取得了最先进性能和任意超分辨率尺度下的较强泛化能力。摘要未提供数据集名称、训练与测试尺度划分、对照方法、指标或数值，因此目前不能定量判断收益，也不能确认对未见尺度的具体泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 关联是将尺度条件化的状态空间建模用于不同采样率下的连续时间信号重建，而非直接复用图像超分辨率效果。该假设依赖可建立的时间坐标和低、高采样率监督配对；可考察复用 SSSM 的离散化调制机制，输入表示与尺度感知模块则需适配 EEG 的时间轴、通道布局及生理频带。低信噪比、跨被试差异、通道缺失和小数据可能导致噪声放大或虚假高频重建，且上采样不能保证恢复已丢失的生理信息。一个可证伪的小实验是对高采样率 EEG 进行受控抗混叠降采样，在按被试隔离的划分中比较该机制、固定尺度模型与插值基线，并测试未见采样倍率下的波形误差及频谱保真度。相关 EEG 工作尚未检索确认。