通过分形扫描增强视觉状态空间模型

基于摘要分析。该研究针对视觉 State Space Models（SSMs）将二维图像序列化时可能损失空间关系的问题，提出利用分形扫描曲线构建 FractalMamba，并引入 Fractal Fusion Pathway（FFP），旨在改善空间依赖建模并兼顾计算效率。 核心机制是改变图像到序列的扫描路径。作者认为，现有视觉 Mamba 的线性扫描难以捕获复杂二维空间关系，而采用多种扫描方向又会增加复杂度；分形扫描及 FFP 被提出作为替代方案。摘要未说明具体分形曲线、序列构造方式、FFP 的融合操作及训练目标，其实际复杂度与空间关系保留能力尚需正文核对。 作者报告，广泛实验支持 FractalMamba 的优势，但摘要没有给出任务、数据集、数据划分、对照基线、指标或数值，因此不能判断收益大小及适用范围。实验协议、消融及统计信息尚未验证；复现还需核对扫描路径实现、FFP 配置、训练设置与代码可用性。 平台推测（待验证）：可检验的迁移假设是，若 EEG 被表示为保留电极空间关系的二维网格，分形扫描可能减少序列化对邻近通道关系的破坏。原方法依赖图像二维空间结构，摘要未明确其监督方式及数据规模；迁移时可考察扫描与融合模块，但需改造电极映射、缺失通道处理以及时间维度组织。电极分布不规则、低信噪比、跨被试差异与小数据条件可能使这种空间归纳偏置失效。一个小规模验证是：固定 EEG 网格表示、骨干、训练设置和参数预算，在相同 Cross-subject 划分下比较线性扫描与分形扫描，并同时记录预先指定的任务指标和推理开销。已有 EEG 相关工作尚未检索确认。