MVSMamba：基于状态空间模型的多视图立体重建

基于摘要分析。本文研究 Multi-View Stereo（MVS，多视图立体重建）中的特征匹配与全局特征表征，提出基于 Mamba 的 MVSMamba，以缓解 Transformer 全局交互的二次复杂度带来的性能与效率权衡。其主要研究对象是多视图视觉重建，而非 EEG 或 BCI。 核心机制是 Dynamic Mamba module（DM-module）：通过以参考视图为中心的动态扫描策略，组织参考视图与源视图之间的特征交互，支持视图内与视图间交互、全方向多视图表征及多尺度全局特征聚合。作者以 Mamba 的全局建模能力和线性复杂度为设计动机，并声称这是首个基于 Mamba 的 MVS 网络；该优先性尚未独立核验。具体扫描次序、动态策略的生成方式、损失函数及训练配置尚未验证。 作者报告，在 DTU dataset 和 Tanks-and-Temples benchmark 上，MVSMamba 的性能与效率优于所比较的先进 MVS 方法。摘要未提供具体指标、数值、数据划分、对照方法或运行硬件，因此不能量化优势，也不能将架构的线性复杂度直接等同于端到端加速。实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但代码完整性、环境依赖及结果可复现性尚未核验。 平台推测（待验证）：其可借鉴之处是围绕参考对象组织多路输入的扫描与交互，而不是直接迁移立体重建任务。假设将 EEG 通道或通道组作为交互单元，可考察扫描组织是否改善时空特征聚合；但视觉参考视图与源视图的对应关系不能直接等同于 EEG 通道关系，扫描规则与输入编码需改造。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同一 EEG 数据划分与相近计算预算下，比较固定扫描和参考通道中心扫描，检验任务指标、运行效率与通道扰动稳健性。已有 EEG 相关工作尚未检索确认。