URWKV：面向低光图像复原的多状态视角统一 RWKV 模型

基于摘要分析。本文研究低光图像增强（LLIE）及低光图像增强与去模糊联合任务（LLIE-deblur）中的动态耦合退化问题，提出统一的 Receptance Weighted Key Value 模型 URWKV，通过阶段内与阶段间的多状态信息支持图像复原。其主要研究对象是低光图像，而非 EEG 或 BCI 信号。 机制上，URWKV 包含三项设计：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节；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）则在编码器阶段之间动态对齐、整合多状态特征，选择性融合上下文，旨在减轻常规跳跃连接带来的退化影响。摘要未提供这些模块的具体公式、状态更新细节或训练目标。 作者报告，URWKV 在多个基准上较所比较的先进模型获得更好的表现，同时使用更少的参数与计算资源；摘要未列出基准名称、评估指标、具体数值、数据划分及对照配置，因此目前无法量化这些优势或判断适用边界。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现完整性、运行环境与复现结果尚未验证。 该工作的归一化与融合设计直接面向图像亮度及编码器特征，现有材料未建立其与 EEG 噪声、跨被试差异或通道结构之间的具体机制对应，故不将图像复原结果外推为 BCI 算法收益；已有 EEG 相关工作尚未检索确认。