FoveaMamba：用于遥感图像超分辨率的结构条件化状态演化

基于摘要分析。该研究针对遥感图像超分辨率中精细几何细节恢复与长程空间依赖建模的共同需求，提出结构条件化状态空间网络 FoveaMamba，将多尺度二维上下文引入选择性状态演化，并以高频残差路径补偿局部细节。 作者首先采用基于 HR 参考图像的结构分层分析，报告代表性超分辨率方法从低结构区域到高结构区域存在明显 SSIM 下降。核心模块 Context-Guided State Space Module（CGSSM）保持固定方向遍历，利用提取的上下文调制离散化步长 Δ 的参数化；另设稳定化高频残差路径，与长程状态空间传播互补。摘要未说明上下文提取结构、稳定化实现、损失函数或计算开销。 作者报告，在统一 AID 训练协议下，FoveaMamba 在六个评估用遥感数据集上均取得最高 PSNR，并在其中五个上取得最高 SSIM；经 DIV2K 微调后，在五个自然图像基准中的四个上取得最高 PSNR。上述“最高”限于论文所比较的方法与协议，摘要未给出完整数据集名单、对照方法及具体分数。作者还报告，相对选定基线，高结构区域的配对 SSIM 增益更大，且这些区域的网络平均离散化步长调制幅度更大；这一对应关系本身不能确立调制机制的因果贡献。实验划分、放大倍率、消融及统计信息尚未验证。代码与训练模型仅声明将公开，当前可获取性尚未验证。 平台推测（待验证）：其可迁移假设是，让局部信号结构影响状态演化尺度，可能帮助 EEG 序列在长程依赖与短暂变化之间调整建模侧重。原方法依赖二维空间上下文和超分辨率训练，不能直接视为 EEG 方法；可考虑复用上下文调制 Δ 的思路，但需改造为时间或通道上下文，并重新检验高频残差路径。低信噪比可能使调制追随伪迹，跨被试及通道配置变化可能破坏结构估计，小数据也可能导致过拟合。可在固定 EEG 任务和严格跨被试划分下，比较固定 Δ 与上下文调制 Δ 的匹配模型，检验增益及噪声敏感性；这仅是可证伪的迁移实验建议，已有 EEG 相关工作尚未检索确认。