MambaLLIE：采用先全局后局部状态空间设计的隐式 Retinex 感知低光照图像增强

基于摘要分析。该研究面向低光照图像增强，提出 MambaLLIE，以隐式 Retinex 感知机制和先全局后局部的状态空间设计，联合处理全局照明退化与局部噪声、模糊。原论文的主要研究对象是图像恢复，并非 EEG 或 BCI。 机制上，Local-Enhanced State Space Module（LESSM）在二维选择性扫描中引入增强的局部偏置，以保留局部二维依赖；Implicit Retinex-aware Selective Kernel（IRSK）通过空间变化的操作和自适应核选择，动态选择适合输入的特征。Global-then-Local State Space Block（GLSSB）整合 LESSM、IRSK 与层归一化（LN），旨在兼顾全局长程建模和灵活的局部特征聚合。摘要未说明具体损失、训练监督、数据规模或推理成本，不能据此认定其采用显式照明与反射分解。 作者报告，在其低光照图像增强实验中，MambaLLIE 显著优于所比较的 CNN 和 Transformer 方法；摘要未提供数据集、划分、具体基线、指标及数值，因此尚不能判断优势幅度和适用范围。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、运行条件及结果可复现性尚未核对。 平台推测（待验证）：可迁移的假设是，长程状态空间建模与局部自适应聚合的组合，可能有助于同时建模 EEG 的长时间依赖和局部波形；这不意味着 Retinex 照明机制适用于 EEG。LESSM 依赖二维邻接结构，迁移时需改造扫描顺序与局部偏置，使其符合时间及电极空间关系，并为 IRSK 重新定义特征选择和训练目标。低信噪比可能使自适应选择放大伪迹，跨被试差异、通道配置变化和小数据也可能削弱效果。一个可检验的小实验是在固定跨被试划分、预处理及训练预算下，对比原始 SSM、加入局部偏置、再加入自适应核选择的版本，以同一任务指标检验模块收益，并核对性能是否依赖通道排序。已有 EEG 相关工作尚未检索确认。