跳到正文

算法、任务与模态

Multi-scale 最新动态

Multi-scale 研究索引；按可核对的标签归档，不以热度评价质量。

48 条精选近 30 天 22 条共收录 68 条

更新

精选归档 · 第 3 页

7月21日周日第 41–48 条
  1. OpenReview · State space models71

    用于图像融合的局部增强与状态共享新型状态空间模型

    基于摘要分析。该研究面向多源图像融合，提出多尺度网络 LE-Mamba，通过局部增强 vision Mamba 模块 LEVM 与状态共享技术，改善局部细节感知及空间—光谱信息融合；其主要研究对象是多光谱全色锐化，以及多光谱与高光谱图像融合，并非 EEG 或 BCI。 机制方面，作者认为 Mamba 的有限状态容量限制了图像信息建模，而空间序列建模不足以有效捕捉丰富的光谱信息。LEVM 用于同时学习局部与全局空间信息；状态共享用于增强空间细节并整合空间与光谱信息。摘要未说明局部增强的具体算子、状态共享的对象与更新方式，也未披露损失函数、训练配置和多尺度组织细节，这些尚需全文核对。 作者报告，所提方法在多光谱全色锐化及多光谱—高光谱图像融合数据集上达到最先进结果，但摘要未提供数据集名称、划分、对照方法、指标及数值，因此暂不能判断性能增益与适用范围。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，不能据此认定已有可用实现。 平台推测（待验证）：可考察的迁移假设是，将局部增强与跨表示状态共享用于 EEG 的局部时序特征和跨通道信息建模。原方法依赖图像空间邻域与光谱维度，融合监督形式及所需数据规模尚未验证；EEG 通道和频段不能直接等同于图像像素与光谱。可尝试复用局部—全局建模思路，但扫描顺序、通道拓扑和共享状态的语义需要改造。低信噪比、跨被试差异、通道配置变化与小数据可能使共享状态传播噪声或导致过拟合。一个可检验的小实验是在固定 EEG 数据划分与训练预算下，对同一 Mamba 基线分别加入局部增强、状态共享及二者组合，比较预先确定的任务指标与多次运行稳定性。该建议不是已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以局部增强和状态共享补充 vision Mamba 空间—光谱建模的机制，但图像融合效果及向 EEG 的迁移价值仍需通过全文与实验核验。

5月18日周六
  1. OpenReview · State space models73

    STG-Mamba：通过选择性状态空间模型进行时空图学习

    基于摘要分析。本文面向动态、异质且非平稳的时空图（STG）预测问题，提出 STG-Mamba，将图网络视为随时间演化的系统，以选择性状态空间模型学习潜在时空特征，并结合 Kalman Filtering Graph Neural Networks（KFGN）融合不同时间粒度的图嵌入。 核心机制：作者认为，既有部分 GNN 方法侧重节点间关系，对系统内在特征随时间演化的建模不足。STG-Mamba 使用 Spatial-Temporal Selective State Space Module（ST-S3M）关注选定的 STG 潜在特征；KFGN 则采用基于 Kalman Filtering 统计理论的可学习方法，动态整合并更新多时间粒度嵌入。摘要未披露具体状态更新方程、图构建方式、损失函数及训练设置，不能据此确定其实现细节。作者将该工作称为利用选择性状态空间模型开展 STG 学习的首次探索，该优先性尚未独立核实。 结果与复现：作者报告，在三个 STG 预测基准数据集上，STG-Mamba 的预测表现优于所比较的现有方法，并降低 FLOPs 与测试推理时间。摘要未提供数据集名称、划分协议、指标数值、对照配置或计时条件，性能与效率优势的幅度及适用范围尚未验证；实验协议、消融及统计信息尚未验证。材料提供了实现代码地址，但代码内容与可复现性未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为动态图序列，系统状态演化与多时间粒度融合可能对应 EEG 非平稳性及不同时间尺度信息整合的瓶颈。这一假设依赖可靠的图结构和足够的时序训练数据，不能由原领域结果直接推出 BCI 有效性。可考察复用 ST-S3M 与 KFGN，但需改造通道图、输入特征和任务输出；低信噪比、跨被试差异、通道配置变化及小样本可能削弱状态估计和嵌入融合。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，比较基础图时序模型、加入 ST-S3M、再加入 KFGN 的任务指标及推理耗时。已有 EEG 相关工作尚未检索确认。

    阅读价值：STG-Mamba 将选择性状态空间建模与基于 Kalman Filtering 的多时间粒度图嵌入融合结合，值得核对其时空预测性能与计算效率的实验依据，但其对 EEG/BCI 的适用性尚未验证。

1月1日周一
  1. OpenReview · State space models73

    FusionMamba：基于状态空间模型的高效图像融合

    基于摘要分析。该研究面向遥感图像融合：将空间分辨率高但光谱信息有限的图像，与空间分辨率低但光谱信息丰富的图像结合，生成高分辨率多光谱或高光谱图像。核心贡献是将单输入 Mamba 模块扩展为双输入 FusionMamba 模块，用于空间与光谱特征的信息整合，而非提出 EEG 或 BCI 解码方法。 机制上，作者以 CNN 感受野受限、Transformer 全局建模计算成本较高为出发点，利用状态空间模型（SSM）及 Mamba 的低复杂度全局建模能力。网络设置两个 U 形分支，主要由四方向 Mamba 模块构成，分别分层提取空间与光谱特征；另一个由 FusionMamba 模块构成的辅助分支负责融合特征，并通过增强的通道注意力模块改善光谱信息表示。双输入模块的具体交互方式、损失函数及训练配置尚未验证。 作者报告，在六个数据集上的定量与定性评估中达到 SOTA，但摘要未提供数据集名称、划分、指标数值及对照基线，因此无法核对优势幅度或比较条件。作者提供了代码地址；代码与论文实现的一致性、实验协议、消融及统计信息尚未验证。摘要也不足以确认整网的实际运行效率与其“可解释性”依据。 平台推测（待验证）：可迁移的假设是利用双输入状态空间模块整合互补的 EEG 表征，例如同一试次的时域与时频特征；这并非已证实的 BCI 效果。原方法依赖空间与光谱互补的图像输入及图像重建任务，迁移时需改造输入编码、序列组织和任务输出，不能把光谱通道直接等同于 EEG 电极。低信噪比、跨被试分布变化、通道不一致及小数据可能使融合收益消失。可在固定被试内划分、相同编码器与训练预算下，小规模比较 FusionMamba 融合与简单拼接、加和融合，并核对参数量及运行成本，检验双输入机制是否确有增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是将单输入 Mamba 扩展为双输入信息融合模块的具体机制，但其遥感图像融合结果不能直接支持 EEG/BCI 有效性，复现需核对融合实现及评估协议。

  2. OpenReview · State space models73

    STG-Mamba：基于选择性状态空间模型的时空图学习

    STG-Mamba 面向动态、异质且非平稳的时空图（STG）预测，将图网络视为随时间演化的系统，结合选择性状态空间模型与图表示学习。基于摘要分析，未取得论文全文；研究主要对象是通用时空图预测，而非 EEG 或 BCI。 核心机制：作者提出 Spatial-Temporal Selective State Space Module（ST-S3M），用于选择性地建模 STG 潜在特征及系统的时间状态演化；同时提出 Kalman Filtering Graph Neural Networks（KFGN），通过基于 Kalman Filtering 统计理论的可学习方法，动态整合和更新不同时间粒度的 STG 嵌入。相较于作者所描述的偏重节点关系建模的 GNN 方法，其着眼点是联合刻画图结构与系统内在状态的时间变化。具体状态更新、选择机制、滤波参数化方式、损失函数及训练流程尚未验证。作者将该工作称为选择性状态空间模型用于 STG 学习的首次探索，这一优先性主张尚未独立核实。 结果与复现：作者报告在三个 STG 预测基准数据集上，STG-Mamba 的预测性能优于所比较的现有方法，并降低 FLOPs 和测试推理时间。摘要未提供数据集名称、划分、指标、具体分数或计算测量条件，因此无法量化收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了实现代码地址，但代码内容、运行环境和复现完整性尚未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为序列，选择性状态演化与多时间粒度融合可能对应 EEG 非平稳性及跨时间尺度依赖问题。可考虑复用状态空间建模与表示融合思路，但需改造通道图构建、输入特征及任务输出；原方法依赖的图结构、监督方式和训练规模仍需查阅正文。低信噪比、通道配置变化、被试差异及小数据可能使状态选择或滤波估计不稳定。一个可证伪的小实验是在固定被试内 EEG 划分下，比较完整组合与去除 KFGN 的版本，并在匹配训练预算的前提下检验任务指标、推理成本及加噪后的稳定性。原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ST-S3M 与 KFGN 如何结合系统状态演化和多时间粒度图表示，以及预测性能与计算成本的对照；其对 EEG 时空建模的适用性尚未验证。

  3. OpenReview · State space models70

    用于图像融合的局部增强与状态共享新型状态空间模型

    基于摘要分析。本文研究多源图像融合，针对作者认为视觉 Mamba 存在的状态容量受限、局部图像信息建模不足以及光谱信息捕获不充分问题，提出局部增强模块 LEVM 与状态共享技术，并构建多尺度图像融合网络 LE-Mamba。研究对象是多光谱全色锐化及多光谱与高光谱图像融合，而非神经信号解码。 机制上，LEVM 旨在增强局部信息感知，同时学习局部与全局空间信息；状态共享用于增强空间细节并整合空间与光谱信息；整体网络采用基于视觉 Mamba 的多尺度结构。摘要未说明局部增强的具体算子、状态共享的实现与共享范围，也未提供损失函数、监督方式及训练配置，因而目前不能判断各组件的独立贡献。 作者报告，在多光谱全色锐化及多光谱与高光谱图像融合数据集上的实验达到 SOTA，但摘要未列出数据集名称、划分、对照基线或具体指标。实验协议、消融及统计信息尚未验证，需结合全文核对空间细节与光谱保真度的评估依据。摘要称代码将公开，不能据此认定实现已可获取。 平台推测（待验证）：局部—全局联合建模及状态共享可作为 EEG 多尺度或多频带表征融合的候选机制，但这仅是迁移假设。原方法依赖图像的空间与光谱结构，图像光谱维度不能直接等同于 EEG 时间频率；迁移时需重新定义时间、通道与频带的序列组织及状态共享边界。局部增强与多尺度结构可作为候选复用模块，但低信噪比、跨被试差异、通道布局变化和小样本可能使共享状态传播噪声或产生过拟合。一个可检验的小实验是在固定 EEG 任务及相同跨被试划分下，对比基础 Mamba、加入局部增强、加入状态共享及两者结合，保持训练预算一致，检验各模块是否带来稳定增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 LEVM 的局部增强与状态共享如何改善多源图像的空间—光谱融合；摘要支持其图像融合研究价值，但尚不能据此判断 EEG/BCI 迁移效果。

  4. OpenReview · State space models72

    PathMamba：用于病理图像多类别分割的弱监督状态空间模型

    基于摘要分析。该研究针对病理图像多类别分割中密集像素标注成本高的问题，提出仅使用图像级标签训练的弱监督状态空间模型 PathMamba，通过结合像素级与 patch 级特征学习局部细节和全局上下文。 方法首先将像素视为实例，基于 Multi-Instance Multi-Label Learning 提取像素级特征图，再将其注入 Contrastive Mamba Block。该模块结合状态空间模型与对比学习，提取病理图像中的非因果双粒度特征；作者另提出 Deep Contrast Supervised Loss，以更充分利用有限的标注信息。摘要未给出对比样本构造、双粒度特征交互方式、损失公式及推理流程，具体机制尚需全文核对。 作者报告，在两个公开病理图像数据集上，PathMamba 优于所比较的先进弱监督方法，并能生成区域一致性更好的分割结果。摘要未列出数据集名称、划分协议、评价指标、分数及对照方法，因此无法判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但其运行条件与结果可复现性尚未验证。 平台推测（待验证）：其可考察的跨领域机制是由样本级弱标签学习局部特征，并结合细粒度与粗粒度上下文；这不等于已证实的 EEG/BCI 效果。若 EEG 任务具有记录级标签而缺少事件级标注，可假设将像素实例改为时间窗实例、将 patch 改为较长片段，探索弱监督事件定位。状态空间与多实例学习模块可能可复用，但图像空间邻域、粒度定义和对比关系均需改造。低信噪比、跨被试差异、通道配置变化及小数据条件可能使局部特征聚焦于伪迹而非目标事件。一个可证伪的小实验是在具有事件标注的 EEG 数据上，仅用记录级标签训练，以保留的事件标注评估定位，并在相同被试划分下比较多实例学习基线与加入双粒度模块后的结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以图像级标签结合像素级与 patch 级特征进行多类别分割的机制，重点核对 Contrastive Mamba Block 与 Deep Contrast Supervised Loss 的具体实现及贡献；其对 EEG/BCI 的适用性尚未验证。

12月31日周五
  1. OpenReview · State space models72

    用于多尺度图像表示的随机尺度空间

    基于摘要分析。本文研究多尺度图像表示中的随机尺度空间，通过对 Perona-Malik 方程进行随机近似构造相应方法；核心贡献是对该近似解的尺度空间性质、适定性与长期收敛行为进行分析。 作者报告，近似解保持尺度空间因果性，在期望意义下是适定的，且算法收敛到一个唯一的常量图像。这些结论分别涉及尺度演化的性质、随机框架下解的数学行为及算法的极限状态；不能将期望意义下的适定性直接理解为每条随机实现路径都具有相同保证，也不能由收敛到常量图像推导出有限尺度下的表示质量。 摘要未提供随机近似的具体形式、随机性来源、离散化方式、边界条件及收敛前提，相关证明条件尚未验证。图像数据、对照方法、评价指标、实验协议及统计信息亦尚未验证，因此目前无法判断其相对原始 Perona-Malik 方法的实际优势或复现成本。 材料明确讨论图像尺度空间，而非 EEG 时序建模或现代序列状态空间模型。其向 EEG/BCI 的迁移尚无所给证据支持；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 Perona-Malik 方程的随机近似如何保持尺度空间因果性及期望意义下适定性的论证，但具体证明条件与图像表示效果尚未验证。

1月1日周五
  1. OpenReview · State space models74

    基于 Levelings 的形态学尺度空间表示

    基于摘要分析。本文研究形态学尺度空间中的细节消除与对象轮廓保持问题，提出基于形态学强滤波器 Levelings 的尺度空间表示，并分析、展示其尺度性质。 核心机制是借助 Levelings 构造由一个尺度到下一尺度的表示。作者报告，随尺度变化，细节逐渐消失，而剩余对象的轮廓仍保持清晰且精确定位。这一性质提供了核对多尺度简化是否引入边界模糊或位置偏移的具体切入点；摘要未给出滤波器定义、尺度参数、构造步骤及性质成立的数学条件，尚不能据此确定实现方式。 摘要提到另有配套论文讨论 Levelings 的 PDE 表述，但本材料未提供其内容。数据、对照方法、定量指标、实验协议、消融及统计信息尚未验证，不能将摘要中的性质描述扩展为特定任务上的性能优势。本文摘要未涉及 EEG 或 BCI，已有 EEG 相关应用尚未检索确认，其对神经信号分析的适用性仍待评估。

    阅读价值：值得关注的是 Levelings 在逐尺度去除细节时保持剩余对象轮廓清晰及定位的机制，但其具体实现与保形性质的适用条件仍需全文核对。