CMamba：基于状态空间模型的学习式图像压缩

基于摘要分析。本文研究学习式图像压缩（LIC）中率失真性能与计算复杂度的权衡，提出结合卷积和状态空间模型（SSMs）的 CMamba。其主要贡献是通过 Content-Adaptive SSM（CA-SSM）融合全局内容与局部细节，并通过 Context-Aware Entropy（CAE）建模潜在表示的空间和通道冗余。 核心机制：作者指出，SSMs 擅长建模整体内容，但容易丢失高频细节，而 CNNs 更擅长提取局部细节。CA-SSM 在编码和解码阶段动态融合两类模块的特征，以保留重要图像内容。CAE 则利用 SSMs 参数化潜在表示的空间内容，并沿通道维度采用自回归方式利用先前通道的信息，降低通道间冗余。摘要未给出具体融合算子、概率分布形式、训练损失或自回归执行细节。 结果与核验：作者报告 CMamba 取得更优的率失真性能，并将低计算复杂度作为设计目标；摘要没有提供数据集、数据划分、对照基线、率失真数值或参数量、FLOPs、延迟测量结果，因此尚不能判断优势的幅度与适用条件。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：其全局—局部融合与冗余建模可作为 EEG 压缩研究的机制假设，而非已证实的 BCI 方法。原方法依赖图像空间结构及编码后的通道表示；迁移时可考虑将空间建模改为时间与电极关系建模，但不能把潜在通道直接等同于 EEG 电极。低信噪比、小数据、跨被试差异及通道布局变化可能使内容自适应融合不稳定，图像失真目标也可能无法保留任务相关 ERP 或频谱信息。一个可检验的小实验是在固定被试划分与码率条件下，对比全局—局部融合和单独 CNN 编码，联合评估重建误差、频谱保真与下游任务表现，并核对解码延迟。已有 EEG 相关工作尚未检索确认。