MambaIR：基于状态空间模型的图像复原简洁基线

基于摘要分析。该研究面向图像复原中全局感受野与计算效率难以兼顾的问题，提出 MambaIR：在 Mamba 中加入局部增强与通道注意力，以利用局部像素相似性并减少通道冗余。主要研究对象是低层视觉图像复原，而非 EEG 或 BCI。 机制上，论文利用选择性结构化状态空间模型的长程依赖建模能力及线性复杂度，针对标准 Mamba 在低层视觉中的局部像素遗忘与通道冗余问题进行补充。局部增强和通道注意力是摘要明确给出的改造方向，但其具体实现、状态扫描方式、损失函数与训练配置尚未验证。 作者报告，在图像超分辨率（image SR）实验中，MambaIR 在相近计算成本下具有全局感受野，相比 SwinIR 的提升最高达 0.45 dB。摘要未明确该数值对应的指标名称、数据集、放大倍率或具体计算成本口径，不能将其解释为所有设置下的平均提升；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务同时依赖短时局部波形与长程时序关系，MambaIR 的“长程建模加局部补偿”思路可能对应这一瓶颈。原方法依赖图像局部像素结构，训练监督与数据规模尚未验证；可考虑复用状态空间建模及局部增强思路，但须将空间邻域处理改为时间邻域处理，并核对视觉特征通道注意力与 EEG 电极通道建模的区别。低信噪比可能使局部增强放大伪迹，跨被试及电极配置变化可能削弱通道权重的稳定性，小数据也可能导致过拟合。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比标准 Mamba、加入局部增强及再加入通道注意力的版本，检验增益是否稳定，并分开报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。