RainMamba：利用状态空间模型增强局部性学习的视频去雨方法

基于摘要分析。该研究针对视频中雨丝与雨滴造成的视觉退化，提出状态空间模型（SSMs）视频去雨网络 RainMamba，通过 Hilbert 扫描与差异引导动态对比局部性学习，改善时空信息序列化后的局部关联建模。 核心机制：视频的时间冗余为稳定去雨提供线索。摘要指出，传统光流与基于核的方法受感受野限制，而 Transformer 的长程依赖建模增加计算复杂度；SSMs 的线性复杂度算子提供高效长程建模路径，但一维扫描可能使原本相邻的像素在序列中相距较远。RainMamba 引入 Hilbert 扫描以增强序列级局部信息捕获，并以差异引导的动态对比策略增强 patch 级自相似性学习。具体扫描维度、差异计算、对比样本构造、损失形式及训练配置尚未验证。 证据范围：作者报告，在四个合成视频去雨数据集及真实雨天视频上，该网络在雨丝和雨滴去除方面表现优于对照方法。摘要未提供数据集名称、划分、基线、指标或数值，因而尚不能量化优势或比较不同评估协议。作者提供了代码与结果链接，但代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设仅涉及局部性保持与长程序列建模机制，不涉及已证实的 EEG 去噪或 BCI 效果。视频具有规则像素网格、时间冗余与 patch 自相似结构；EEG 虽有时间—通道结构，但电极空间关系不等同于图像邻接。可考虑复用 SSM 与扫描策略，需按电极拓扑改造序列排列，并重新定义对比样本和监督目标。低信噪比、通道配置差异、跨被试变化及小数据可能使局部性假设失效。一个可检验的小实验是在固定数据划分、骨干和训练预算下，对比常规排列与拓扑适配的 Hilbert 排列，并单独检验对比策略的增益；这只是待验证假设。已有 EEG 相关工作尚未检索确认。