LFMamba：基于状态空间模型的光场图像超分辨率

基于摘要分析。本文研究光场图像超分辨率（LFSR），核心贡献是针对 4D 光场设计二维切片上的状态空间模型（SSM）特征建模方式，并构建 LFMamba，以利用空间上下文、互补角度信息及结构信息。 机制上，作者将 CNN 捕获长程依赖的困难与 Transformer 的二次计算复杂度作为动机，引入具有选择性扫描机制（S6）的 SSM。研究的关键不是直接套用序列模型，而是为 4D 光场选择合适的扫描与表示方式：在信息丰富的二维切片上应用 SSM，并设计带有高效 SS2D 机制的基础模块。摘要未展开切片的具体构造、扫描方向、模块连接、损失函数或训练配置，因此不能据此确定完整网络结构，也不能将 S6 的线性时间特性直接等同于整个 LFMamba 的端到端复杂度。 作者报告，LFMamba 在光场基准上取得优于对照方法的表现，并通过消融研究支持所提方法的有效性与泛化能力。但摘要未给出基准名称、数据划分、对照模型、指标数值、运行成本或统计信息；实验协议、消融及统计信息尚未验证，具体优势需结合正文核对。 本文的主要对象是具有空间与角度结构的光场图像，而非 EEG 或 BCI。平台推测（待验证）：若将多维观测分解为具有明确结构意义的二维切片，再用 SSM 建模长程依赖，这一思路可能用于探索 EEG 的通道—时间表示；但光场的几何结构不能直接等同于电极拓扑。迁移时需重新设计切片与扫描顺序，并检验低信噪比、通道变化、跨被试差异及小数据条件下的过拟合风险。一个可证伪的小实验是在固定 EEG 数据划分、训练预算与模型容量下，对比结构化扫描和固定随机扫描，检查前者是否带来稳定增益。该实验仅是迁移假设，不是本文已验证的结果；相关 EEG 工作尚未检索确认。