用于高光谱图像去噪的状态空间模型与注意力混合模型

基于摘要分析。该研究面向高光谱图像（HSI）去噪，针对全局空间—光谱建模内存开销较大、局部相似性建模效果不足的问题，提出状态空间模型（SSM）与注意力机制结合的 HyMatt。其主要研究对象是遥感高光谱图像，并非 EEG 或 BCI 信号。 机制上，HyMatt 利用 HSI 的空间相似性与光谱相关性，通过 cube selective scan（CSS）构建四方向 vision Mamba，以较低内存开销捕获图像立方体中的长程依赖。作者认为 CSS 能增强全局建模，并减轻 SSM 内在因果建模带来的负面影响；局部注意力模块则自适应利用相似邻域特征，细化相邻元素。具体扫描顺序、模块连接、损失函数和训练配置尚未验证。 作者报告，在模拟噪声和真实遥感噪声图像实验中，HyMatt 持续优于现有先进 HSI 去噪方法。摘要未提供数据集名称、划分、噪声类型、指标数值、对照方法及内存测量条件，实验协议、消融及统计信息尚未验证，因此尚不能量化其精度与计算效率收益。 平台推测（待验证）：迁移假设是，将多通道 EEG 中的时间依赖与通道相关性分别交由全局 SSM 和局部注意力处理，可能有助于去噪。但原方法依赖 HSI 立方体的空间—光谱邻接结构，不能直接把光谱轴等同于 EEG 通道轴。可复用的是全局与局部建模的组合思路；CSS 的扫描路径、邻域定义及去噪监督需按电极布局和时间结构改造。低信噪比可能使注意力选择伪相似邻域，被试和通道布局差异可能破坏扫描假设，小数据训练还可能过拟合或抹除任务相关活动。 一个可检验的小实验是：在固定被试内划分、相同训练数据与噪声条件下，比较 SSM、局部注意力及二者混合模型，并对比电极拓扑扫描与任意通道排序，联合检查去噪误差和下游任务信息保留。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。