S³Mamba：通过可缩放状态空间模型实现任意尺度超分辨率

基于摘要分析。该研究面向图像任意尺度超分辨率（ASSR），目标是用单一模型将低分辨率图像重建为任意放大尺度的高分辨率图像。S³Mamba 通过可缩放状态空间模型构建连续表示空间，并引入尺度感知自注意力以增强不同尺度下的全局特征感知。 机制方面，摘要以 Implicit Neural Representations（INR）对坐标与像素值的连续表示为背景，将核心问题定位为从低分辨率输入建立连续表示空间。所提出的 Scalable State Space Model（SSSM）在离散化过程中调制状态转移矩阵与步长采样矩阵；作者称该机制能以线性计算复杂度实现可缩放的连续表示建模。尺度感知自注意力则用于识别不同尺度下的重要全局特征。矩阵调制的具体形式、尺度条件的输入方式，以及自注意力对整体计算开销的影响尚未验证。 结果方面，作者报告在合成与真实场景基准上达到领先性能，并具备任意超分辨率尺度下的泛化能力；摘要未提供基准名称、训练与测试尺度划分、对照方法或定量指标，暂不能判断提升幅度及泛化边界。实验协议、消融及统计信息尚未验证。作者表示代码将公开，不能据此认定实现已发布。 平台推测（待验证）：其尺度条件化的状态空间离散化机制可能启发 EEG 多采样率信号的连续重建，但图像空间放大不等同于时间信号重采样，原领域结果不构成 BCI 有效性的证据。可考察复用 SSSM 调制机制，并将二维坐标与像素输出改造为时间坐标与多通道信号输出；监督可来自高采样率 EEG 及其抗混叠降采样配对数据，所需训练规模尚不明确。低信噪比、通道差异、跨被试变化和小数据条件可能导致伪细节或生理波形失真。一个可证伪的小实验是在固定被试划分下，对未参与训练的重采样倍率比较条件化 SSSM、非条件化状态空间模型与常规插值，检查波形重建误差和频谱保真度。已有 EEG 相关工作尚未检索确认。