InpaintingMamba：用于图像修复的状态空间模型

基于摘要分析。该研究面向图像修复，即利用全局上下文重建缺失区域的连贯结构，并利用局部特征恢复细节纹理。作者提出 InpaintingMamba，将 Mamba 的全局建模能力与 CNN 的局部特征提取能力结合，主要贡献是外围—中心扫描策略与并行深度卷积。 机制方面，作者认为现有视觉 Mamba 的角到角扫描限制了图像中心与外围之间的信息交互，而将二维图像展开为一维序列后的递归处理会扰动局部结构。InpaintingMamba 通过八个方向的外围—中心扫描建立长程依赖，同时用并行深度卷积捕获局部细节与纹理。摘要未说明扫描路径的具体构造、模块融合方式、损失函数及训练设置，相关实现尚未验证。 作者报告，在 CelebA-HQ 与 Places2 的图像修复实验中，该方法优于所比较的 SOTA 方法；摘要未提供具体指标、数值、缺失区域生成协议、数据划分或基线名单，因此无法评估提升幅度及比较条件。实验协议、消融及统计信息尚未验证。材料提供了项目仓库地址，但代码内容、权重及复现条件尚未核查。 平台推测（待验证）：其“全局依赖建模与局部结构提取互补”的机制可能适用于 EEG 缺失片段或缺失通道重建，但这只是迁移假设，图像修复有效不等于 BCI 有效。可复用的是 Mamba 与局部卷积结合的思路；需改造的是扫描顺序、卷积维度及通道拓扑表示，因为 EEG 的时间—通道结构并不天然对应图像的中心与外围。低信噪比、跨被试差异、不同通道布局及小数据训练可能削弱收益。一个可检验的小实验是在固定数据划分与掩码条件下，比较时间顺序扫描、适配 EEG 拓扑的扫描及是否加入局部卷积，评估重建误差和下游解码表现，避免将信号重建改善直接视为 BCI 性能提升。已有 EEG 相关工作尚未检索确认。