QMambaBSR：基于查询状态空间模型的连拍图像超分辨率

基于摘要分析。本文研究连拍图像超分辨率（BurstSR），目标是融合多张低分辨率连拍帧中的子像素细节，重建高分辨率图像。作者提出 QMambaBSR，以 Query State Space Model（QSSM）进行跨帧查询与帧内扫描，并通过 Adaptive Upsampling（AdaUp）动态调整上采样核，分别改善信息融合与细节重建。 核心机制建立在作者提出的观察上：有效子像素信息具有一致的空间分布，而噪声呈随机分布。因此，相较于逐帧融合，考虑完整连拍序列有望更可靠地提取一致细节并抑制噪声离群值。QSSM 承担跨帧与帧内的信息处理；AdaUp 则针对静态上采样可能造成的过度平滑，按不同连拍场景的特征调整上采样核。摘要未提供查询构造、状态更新、帧间对齐、核生成方式或训练损失，具体实现尚未验证。 作者报告，在涵盖合成图像与真实图像的四个基准数据集上，QMambaBSR 优于现有最先进方法。摘要未列出数据集名称、划分、评价指标、数值及对照方法，不能据此判断提升幅度或跨场景稳健性；实验协议、消融及统计信息尚未验证。复现需进一步核对噪声模型、连拍采集条件、训练配置，以及 QSSM 和 AdaUp 各自的收益。 平台推测（待验证）：可迁移的假设是，联合查询多个具有共同目标信息的 EEG 片段，可能比逐片段融合更有利于提取稳定成分、抑制随机噪声。该假设依赖片段间存在可对齐的共同结构，而原任务的空间子像素一致性不能直接等同于 EEG 的时间或通道一致性。可考虑改造 QSSM 的序列表示与查询方式，AdaUp 的图像上采样功能则不宜直接移植。低信噪比、非随机伪迹、跨被试差异、通道变化及小数据训练均可能使这一假设失效。一个可证伪的小实验是在固定被试内划分和相同输入片段下，比较联合查询与逐片段融合，并测试噪声扰动下的任务指标变化；需避免重叠片段跨划分。已有 EEG 相关工作尚未检索确认。