CWIMamba：用于高光谱异常检测的跨尺度窗口融合状态空间模型

基于摘要分析。该研究面向高光谱图像中的异常目标检测，提出 CWIMamba，以跨尺度窗口状态空间模型（SSM）结合自适应空间–光谱特征融合及 Haar 小波卷积，建模异常目标的空间分布并改善背景重建与异常区分；研究对象是遥感图像，而非 EEG 或 BCI。 机制上，作者以卷积网络长程依赖建模受限、ViT 具有二次计算复杂度为动机，引入具有非局部表征能力与线性复杂度特点的 Mamba。跨尺度窗口 SSM（CSWSSM）基于不同尺度的窗口瓶颈 SSM（WBSSM）扫描空间–光谱特征；多尺度空间–光谱特征自适应融合方法（M S³ FAI）通过自适应空间–光谱加权促进多尺度特征交互。Haar 离散小波变换卷积模块（HDWTCM）补充局部信息，增强异常与背景之间的频率判别特征。摘要未提供具体损失、监督方式、训练流程或异常评分公式，尚不能确定背景重建如何转化为最终检测结果。 作者报告，在五个高光谱异常检测数据集、七项指标上取得其所称的 SOTA 检测表现，但摘要未给出数据集名称、划分、基线、具体数值或计算成本实测结果。实验协议、消融及统计信息尚未验证；尤其需核对各模块的独立贡献，以及线性复杂度是否对应实际运行效率优势。 平台推测（待验证）：可迁移假设是，跨尺度 SSM 与小波局部表征的互补机制可能用于 EEG 中长程动态与短时频率变化的联合建模。但原方法依赖图像空间–光谱结构，EEG 的时间–通道结构不能直接等同替换；可考虑复用 SSM 和小波模块，重新设计扫描顺序、尺度及融合权重。低信噪比、跨被试差异、通道布局变化和小数据可能使模型学习伪相关。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，比较单尺度 SSM、跨尺度 SSM及加入小波模块后的任务指标，并分别报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认，此建议不构成已验证的迁移效果。