PRE-Mamba：用于超高频事件相机去雨的四维状态空间模型

基于摘要分析。本文研究事件相机在雨天受到密集噪声干扰的问题，提出基于点的去雨框架 PRE-Mamba，旨在兼顾时间精度、去雨效果与计算效率。其主要研究对象是原始视觉事件流，而非 EEG 或 BCI 信号。 方法包含三个核心环节：四维事件云表示融合双时间尺度，以保留较高的时间精度；Spatio-Temporal Decoupling and Fusion（STDF）模块通过浅层时空信息解耦与交互增强去雨能力；Multi-Scale State Space Model（MS3M）在双时间尺度及多空间尺度上建模更深层的雨动态，作者称其具有线性计算复杂度。框架还引入频域正则化，但摘要未说明四维坐标定义、状态更新方式或正则化的具体形式。 作者报告，在包含带标注合成序列与真实世界序列的 EventRain-27K 上，PRE-Mamba 以 0.26M 参数取得 0.95 SR、0.91 NR，以及每百万事件 0.4 秒的处理耗时。摘要未展开 SR、NR 的定义，也未提供数据划分、对照方法、运行硬件及计时口径，因此不能据此判断提升幅度或跨方法效率优势。作者还报告其可泛化至不同雨强、视角及雪天条件，具体测试设置与统计信息尚未验证。 平台推测（待验证）：若目标是多通道 EEG 的瞬态伪迹抑制，双时间尺度与多尺度状态空间建模可能分别对应短时异常和较长时程动态；但原方法依赖视觉事件点的时空结构及去雨标注，不能直接视为 EEG 去噪算法。可考虑复用时间尺度建模思想，重新设计通道表示与监督目标。低信噪比、小样本、跨被试差异和通道配置变化可能使模型误删有效 ERP 等神经成分。一个可证伪的小实验是在固定被试划分下，对带可控瞬态噪声的 EEG 比较单时间尺度与双时间尺度版本，同时检查去噪误差和 ERP 波形保真度。相关 EEG 工作尚未检索确认。