Spk2imgMamba：基于多尺度状态空间模型的脉冲相机图像重建

基于摘要分析。本文研究脉冲相机连续脉冲流到强度图像的重建，提出以 Mamba 为骨干的轻量网络 Spk2imgMamba，旨在缓解既有方法难以兼顾全局感受野与计算效率的问题。研究对象是视觉传感器产生的脉冲流，而非 EEG 或其他脑信号；摘要介绍的相机采样率为 40,000 Hz，这不是模型推理速度。 方法依次执行时间信息整合、空间特征增强和渐进式图像重建。时间模块在不同时间窗口内积累线索，以兼顾长期与短期上下文；空间模块采用多尺度、多方向扫描的 SSM block，建模全局依赖并增强局部细节表征；最后从增强的光强特征逐步解码强度图像。其机制重点是时间窗口整合与空间扫描的配合，而不是仅将原有骨干替换为 Mamba。具体扫描路径、窗口设置、损失函数及训练方式尚未验证。 作者报告，在合成数据与真实采集数据上的实验达到 SOTA，并称网络参数量仅为对照的 10%、计算量降低近两个数量级。摘要未明确这些资源比例对应的基线、输入设置、计算量口径及重建指标，因此不能据此判断端到端延迟或不同协议下的优势。数据集名称、划分、实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性与复现依赖尚未核实。 平台推测（待验证）：多时间窗口整合可能对应 EEG 中短时瞬态与较长上下文的联合建模，多尺度 SSM 则可能用于时间—通道依赖建模；这只是迁移假设，原领域有效不等于 BCI 有效。原方法依赖具有规则空间结构的像素脉冲流及图像重建目标，EEG 迁移可复用时间整合和 SSM 模块，但需改造通道拓扑、扫描顺序与任务目标。低信噪比、跨被试差异、通道变化及小数据可能使长程整合累积噪声或放大过拟合。一个可检验的小实验是在固定 Cross-subject MI 划分与训练预算下，对比单时间窗口和多时间窗口 SSM，使用相同通道映射，报告 Balanced Accuracy、参数量及计算量，检验多窗口是否带来稳定增益。已有 EEG 相关工作尚未检索确认。