DehazeMamba：基于自适应状态空间模型的 SAR 引导光学遥感图像去雾

基于摘要分析。本研究面向大空间尺度、雾分布高度不均匀的光学遥感图像去雾，提出 SAR 引导的 DehazeMamba，通过渐进式雾解耦融合，旨在减少辅助模态对无雾区域的损伤并缓解跨模态域偏移；同时提供 MRSHaze 基准数据集。 核心机制：SAR（合成孔径雷达）图像提供不受雾影响的场景参考。Haze Perception and Decoupling Module（HPDM）利用光学图像与 SAR 的差异分析，动态识别受雾影响区域；Progressive Fusion Module（PFM）依据特征质量评估实施两阶段融合，以缓解特征质量不稳定造成的域偏移。标题指向自适应状态空间模型，但摘要未展开其状态更新、扫描方式、网络结构、损失函数与训练配置，相关实现尚未验证。 数据与结果：作者介绍 MRSHaze 包含 8,000 对时间同步、精确地理配准的 SAR—光学图像，覆盖高分辨率场景和多样雾条件。作者报告，在文中去雾实验中相较所比较方法，PSNR 提升 0.73 dB，并改善语义分割等下游任务；摘要未明确该增益对应的具体对照、数据划分、聚合方式及下游任务数值，因此不能据此确认普遍优势。实验协议、消融及统计信息尚未验证。摘要提供了数据集获取地址，但模型实现与训练复现条件尚未验证。 平台推测（待验证）：可迁移的假设是，先估计区域或模态可靠性、再渐进融合，可能有助于 EEG 与其他同步模态联合建模时抑制低质量输入。原方法依赖配对、同步、空间配准的图像，其差异分析不能直接用于异构神经信号；需改造为时间窗或通道级可靠性估计，并重新验证状态空间建模与融合模块。低信噪比、跨被试差异、通道缺失和小数据可能使可靠性估计失效。可在固定 Cross-subject 划分的配对多模态数据上，对比直接融合与可靠性引导融合，并加入单模态噪声检验其稳健性；已有 EEG 相关工作尚未检索确认。此假设不构成 BCI 有效性证据。