FMambaIR：用于图像复原的状态空间模型与频域混合模型

基于摘要分析。FMambaIR 面向图像复原，尝试解决现有特征提取方法对频域信息利用不足的问题，通过结合 Mamba 的长程依赖建模与 Fourier 频域建模，感知图像的全局退化并改善细节恢复。 核心模块 F-Mamba 采用双分支互补结构：空间 Mamba 分支建模整幅图像特征的长程依赖，Fourier 频域分支提取全局退化特征；随后使用前馈网络整合局部信息。其方法重点是空间与频域信息的协同，而非单独引入 Mamba。具体变换维度、分支融合方式、损失函数、训练流程及计算复杂度统计口径尚未验证。 作者报告，在水下图像增强、遥感图像去雾和低光图像增强任务中，FMambaIR 相较所比较的先进方法取得更优性能，并显著降低计算复杂度。摘要未提供数据集名称、划分、指标、数值及具体对照，因此尚不能量化收益或比较不同任务的效果；实验协议、消融及统计信息尚未验证。作者提供了代码链接，但实现与复现条件尚未核对。 平台推测（待验证）：若 EEG 去噪中的长时依赖与频谱污染具有可分解的互补结构，该双分支机制可能提供方法参考，但图像复原效果不等于 EEG 或 BCI 有效性。可考虑复用 Mamba 与 Fourier 分支的组合思路，需将二维图像处理改造为时间—通道信号处理，并明确相位保留、通道关系及训练目标。低信噪比下频域分支可能混淆任务相关节律与噪声，跨被试及通道配置变化可能影响泛化，小数据也可能导致过拟合。一个可检验的小实验是在固定 EEG 去噪数据划分和训练预算下，对比 Mamba 单分支、Fourier 单分支与双分支，检查重建误差及任务相关信号保真度。已有 EEG 相关工作尚未检索确认。