EventMamba：利用状态空间模型增强事件视频重建中的时空局部性

基于摘要分析。本文研究事件视频重建（Event-Based Video Reconstruction，EBVR），提出 EventMamba，旨在保留 Mamba 全局建模能力的同时，减少窗口划分和序列扫描对事件数据时空局部关系的破坏；其主要研究对象是事件视觉数据，而非 EEG 或 BCI。 作者认为，EBVR 需要空间平移不变性，并依赖时空邻近事件之间的联系，而传统 Mamba 视觉方法采用固定窗口划分及常规 reshape 扫描，可能损失局部连接。EventMamba 引入两项机制：空间域的 random window offset（RWO，随机窗口偏移），用于摆脱固定分区的限制；时空域的 consistent traversal serialization（一致遍历序列化），用于在序列化过程中保留相邻事件的空间与时间邻近性。摘要未说明窗口偏移的采样规则、遍历算法、训练损失及推理实现，这些细节尚未验证。 作者报告，在多个数据集的事件视频重建测试中，EventMamba 相比 Transformer 方法提升了重建视觉质量与计算速度。摘要未提供数据集名称、划分、对照模型配置、量化指标及运行硬件，因此无法判断收益幅度或公平比较条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移的机制是通过窗口与序列化设计保留局部关系，而非事件视频重建效果本身。假设 EEG 状态空间模型的通道—时间序列化也会破坏有意义的邻近关系，可复用局部性保持思路，但需将事件空间邻接改为电极拓扑与时间邻接，并重新设计窗口和遍历规则。低信噪比、跨被试差异、通道缺失及小数据条件可能削弱收益。一个可证伪的小实验是在相同 EEG 数据划分、训练预算及状态空间骨干下，仅替换固定序列化与拓扑局部性保持序列化，比较同一指标并检查通道扰动敏感性。已有 EEG 相关工作尚未检索确认，该假设不构成已验证的 BCI 效果。