SW-Mamba：面向自监督单目深度估计的选择性天气遗忘

基于摘要分析。该研究针对恶劣天气破坏跨帧光度一致性、进而影响自监督单目深度估计的问题，提出 Selective Weather-forgetting Mamba（SW-Mamba），将天气鲁棒深度估计表述为选择性潜在状态校正。其主要研究对象是视觉深度估计，而非 EEG 或 BCI。 机制上，SW-Mamba 不直接把帧间变化视为天气掩码，而是联合时间线索与多方向传播的空间上下文，估计时空校正门。该门控制参考引导的状态校正，选择性更新不可靠响应，同时保留几何一致性。配对训练阶段，对齐的干净状态用于校准门控并提供结构参考；推理阶段则使用内部结构代理，不再要求对齐的干净观测。摘要未说明配对数据的构造、具体损失形式及内部代理的实现，这些均需正文核对。 作者报告，在 WeatherKITTI、nuScenes 和 DrivingStereo 的恶劣天气实验中取得一致提升，并表现出较强的跨域泛化能力；摘要未提供具体指标、数值、划分及对照基线，不能据此量化优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移的机制假设是，用参考引导的门控状态校正抑制观测扰动，同时保留任务相关结构，可能对应 EEG 中伪迹干扰与有效神经活动混杂的瓶颈。可考察门控校正与训练参考向推理代理的替代机制，但视觉几何上下文需改造为通道与时间依赖，且方法依赖对齐的干净参考。低信噪比下门控可能误删有效活动，跨被试和通道配置变化也可能削弱代理可靠性，小数据可能不足以校准门控。可先在具有干净参考及人工叠加伪迹的 EEG 上，比较相同骨干有无校正模块时的信号保真度与下游任务表现，并单独核验无干净参考推理的性能变化。该实验仅检验受控扰动，不能替代真实伪迹验证；已有 EEG 相关工作尚未检索确认。