MVSSM：用于高效视频去模糊的运动感知视觉状态空间模型

基于摘要分析。该研究针对真实场景中复杂、空间变化的运动模糊，提出用于视频去模糊的 MVSSM，通过运动轨迹引导状态空间模型的特征扫描，并结合多尺度动态特征融合，以改善运动相关的时空上下文建模。 核心机制：作者指出，状态空间模型（SSMs）具备以线性复杂度建模长程依赖的潜力，但固定扫描策略难以有效捕获运动感知上下文。Motion-aware Scanning Block（MSB）利用光流估计主导运动方向，在水平、垂直或对角扫描路径之间选择，使特征传播方向与运动模式对齐。Multi-scale Dynamic Feature Fusion（MDFF）通过跨多个尺度的逐像素动态卷积增强时空表征。摘要未说明路径选择的粒度、光流估计方式、损失函数或训练流程，这些内容尚未验证。 结果与复现：作者报告，在多个合成及真实场景数据集上，MVSSM 显著降低计算负担，并取得视频去模糊的 SOTA 表现；摘要未给出数据集名称、划分、对照方法、具体指标或计算成本，因此目前无法判断改善幅度及比较条件。实验协议、消融及统计信息尚未验证，尤其需核对运动估计开销是否计入效率比较，以及 MSB、MDFF 各自的贡献。摘要称代码已提供，但材料未给出可核对的仓库地址，代码与运行条件尚未验证。 平台推测（待验证）：可迁移的假设是“依据信号结构调整传播路径”，而非直接将视频去模糊效果视为 EEG/BCI 效果。原方法依赖图像空间结构及可估计的运动方向；若应用于 EEG 的通道—时间表征，需以电极拓扑或稳定的时延关系替代光流，并改造扫描路径与多尺度融合。低信噪比、跨被试差异、通道缺失及小数据可能使路径估计不稳定。一个可检验的小实验是在相同跨被试划分、训练预算和参数规模下，比较固定扫描与拓扑约束自适应扫描，并检查通道扰动后的表现及额外开销。已有 EEG 相关工作尚未检索确认。