SSUMamba：用于高光谱图像去噪的空间—光谱选择性状态空间模型

基于摘要分析。本文研究高光谱图像（HSI）去噪中长程空间—光谱相关性建模与计算开销之间的矛盾，提出基于 Mamba 的 SSUMamba，以连续扫描、双向状态空间模型（SSM）和局部三维卷积结合建模空间—光谱依赖；主要研究对象是高光谱图像，而非 EEG 或 BCI。 核心模块为空间—光谱连续扫描（SSCS）Mamba：以行、列和光谱波段的六种不同顺序生成序列，并在相邻扫描之间重排图像，以维持空间—光谱连续性；双向 SSM 用于提取长程依赖，嵌入的 3D 卷积增强局部空间—光谱建模。摘要未说明完整网络结构、损失函数、训练配置及具体扫描实现，这些尚需正文核对。 作者报告，在文中实验条件下，SSUMamba 相较基于 Transformer 的方法取得更好的去噪结果，且每批次显存消耗更低。摘要未提供数据集、噪声类型、划分、评价指标、数值及具体对照模型，因此不能判断改进幅度或不同设置下的稳定性；实验协议、消融及统计信息尚未验证。材料提供了源码地址，但代码内容、依赖与可复现程度尚未核验。 平台推测（待验证）：迁移假设是，将连续扫描与双向 SSM 用于具有明确电极拓扑和时间顺序的 EEG 去噪，可能兼顾局部结构与长程依赖。可复用的是序列建模思路；需改造的是扫描路径与局部卷积，因为高光谱波段不能直接等同于 EEG 通道，电极排列也不天然构成规则图像网格。低信噪比、跨被试差异、通道配置变化和小数据训练可能使扫描邻接关系失真或导致过度平滑。一个可检验的小实验是：在固定 EEG 数据划分和相同污染条件下，对比拓扑连续扫描与任意通道顺序，核对去噪质量、任务相关信号保留情况及同批次条件下的显存消耗；已有 EEG 相关工作尚未检索确认。