ECMamba：融合 Retinex 引导与选择性状态空间模型的高效多曝光校正

基于摘要分析。该研究针对图像过曝或欠曝条件下的曝光校正，提出 ECMamba，将 Retinex 理论引导与 Mamba 选择性状态空间建模结合，旨在兼顾图像恢复效果与计算效率；主要研究对象是图像曝光恢复，而非 EEG 或 BCI。 机制上，作者构建分别恢复反射率与照明图的双路径框架，并训练 Retinex estimator，将输入映射至分别近似目标反射率和照明图的两个中间空间，为后续 Exposure Correction Mamba Module（ECMM）提供恢复依据。ECMM 的核心算子是受 Retinex 信息引导的二维选择性状态空间层 Retinex-SS2D，其中采用基于可变形特征聚合的二维扫描策略。相较于摘要所描述的既有方法，其方法重点在于将物理分解先验嵌入架构，而非仅以 Mamba 替换通用特征提取模块。 作者报告，实验与消融支持 ECMamba 的性能及各组件作用，但摘要未给出数据集、划分、对照模型、评价指标、具体分数或计算开销，因而无法据此量化其优势。实验协议、消融及统计信息尚未验证；Retinex estimator 的监督构造、损失形式、训练流程及扫描实现也需查阅全文确认。摘要提供了代码仓库，但代码完整性与复现条件尚未验证。 该方法依赖图像的二维结构及反射率—照明分解先验，材料未建立这些条件与 EEG 信号生成机制之间的具体对应关系，因此不提出 EEG/BCI 迁移方案，也不将曝光校正效果视为神经信号建模证据。已有 EEG 相关工作尚未检索确认。