Pool-mamba：用于低光图像增强的池化状态空间模型

基于摘要分析，当前材料仅包含 Highlights，未取得论文全文。该研究针对低光图像增强中的光照不均问题，提出池化状态空间模型 Pool-mamba，核心思路是结合全局信息与细粒度局部细节建模。 机制方面，作者提出 Pyramid-pooling Mamba 以捕获全局信息，并提出 Axis-pooling Mamba 以捕获细粒度局部细节。材料支持这两个模块的功能定位，但未说明具体池化操作、状态空间计算方式、模块组合、损失函数或训练与推理流程，不能据此确定其实现结构。当前材料未提供可核对的实验结果；数据集、数据划分、对照基线、增强指标、消融及统计信息尚未验证，复现所需代码与训练配置亦尚未验证。 平台推测（待验证）：全局与局部信息分工建模可能为 EEG 的长程时序依赖与局部瞬态模式建模提供参考，但图像空间轴及光照变化不等同于 EEG 的时间轴、通道关系与噪声结构。迁移假设需要重新定义池化轴与尺度，并改造输入表示和任务输出；原方法对监督形式及数据规模的依赖尚未验证。低信噪比下池化可能削弱短暂有效信号，通道顺序不稳定、跨被试差异及小数据过拟合也可能使该思路失效。一个可检验的小实验是在固定 EEG 数据划分和训练预算下，对比基础 Mamba、加入全局池化、加入轴向池化及组合版本，检验任务性能与短暂信号保留情况；该方案不代表已证实的 BCI 效果。相关 EEG 工作尚未检索确认。