Radar-Mamba：基于状态空间模型的 4D 毫米波点云增强

基于摘要分析。本文面向自动驾驶中的 4D 毫米波雷达感知，提出 Radar-Mamba，以缓解雷达点云噪声大、稀疏度高及边缘计算资源受限的问题；研究对象是雷达点云增强，而非 EEG 或 BCI。 方法包含跨模态对齐、基于 Mamba 的雷达增强架构及 Doppler 特征融合。作者先对雷达与 LiDAR 点云进行细化和对齐，构建更稠密、信息更丰富的占据表示，再通过局部与全局时空特征建模增强对齐后的 4D 雷达数据，并结合雷达特有的速度和高度信息进一步去噪。摘要未交代具体损失、序列组织方式，以及 LiDAR 是否仅用于训练或也参与推理，这些依赖条件需要正文核对。 作者报告，在两个开源数据集的实验中，该方法达到最先进性能，生成密度可与 LiDAR 相比的高质量 4D 点云，并保持较低参数量。摘要未提供数据集名称、划分、指标、基线、参数量或部署延迟，因此目前无法量化其精度与计算成本的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究考察的是局部与全局时空建模及辅助信息融合机制，而非将点云增密直接等同于神经信号恢复。迁移假设依赖可定义的通道空间关系与时间结构；点云对齐、Doppler 和高度特征模块不能直接沿用，需改为适合 EEG 通道与采样序列的表示。低信噪比、跨被试差异、通道布局变化及小数据可能削弱收益。一个可证伪的小实验是在固定被试内划分与匹配参数预算下，比较局部建模、Mamba 时空建模及其组合在人工加噪或通道遮挡后的恢复误差，并检查下游任务表现是否同步改善。以上不是论文已验证结果；相关 EEG 工作尚未检索确认。