Multi-Scale WaveletTransformer

Multi-Scale Wavelet Transformer for Face Forgery Detection

Liu, J., Wang, J., Zhang, P., Wang, C., Xie, D., and Pu, S. 2022. Multi-Scale Wavelet Transformer for Face Forgery Detection. arXiv.

作者的观察：大部分的方法都开始采用Spatial domain和frequency domain来增强泛化能力在不同的数据集下面，作者说DCT，DFT都只能提取1个level的频率，但是他们都只利用到了one level frequency一个级别的频率，仅仅是高频或者低频。作者用了DWT。

所以提出了使用multi-scale wavelet transformer，其实就是multi-spatial和multi-frequency，然后再fuse起来，主要的贡献应该在于是融合两种特征的方法，作者提出了一个frequency-based spatial attention（FSA）用来引导空间特征提取器更多关注篡改路径上，以及cross-modality attention(CMA)用来fuse两种特征。

所谓Spatial and Frequency

一般來說，一張數位影像 就是許許多多的色點 (pixel) 所構成的圖片，而每一個色點都是由紅、綠、 藍（RGB）光的三元色調配出來的，如此便構成了二維的一張影像；我們通常 稱這樣的影像是空間中的影像（Spatial domain）。还有一些hand-crafted feature，像是局部噪声分析，这个和频域特征的区别是？另外，我們有時可以用 一些轉換函數（transformation），來抓住影像的特徵，而這些經過轉換後 的影像，通常就稱為頻率上的影像（Frequency domain)。（因為這類的轉換 函數通常是週期函數）

同时，一般常见的转换函数有，Fourier Transform，Discrete Cosine Transform（DCT）, Discrete FourierTransform，Discrete Wavelet Transform（说是就DWT可以获得多级频率）；他们的作用往往是用更少的比特获取特征，同时高频信号对人的眼睛不敏感，可以用一些低频信号来表示一些特征而不损失很多信息，同时FFT也能加速卷积操作。

解决的问题是篡改人脸的检测，基本上是一直在优化特征，好像创新是不够多，实验做的很足，有和大约8种方法进行比较，但好像都没有和太多选择同类型用了spatial和frequency的方法去比较，检测有没有，就成了一个二分类问题了，所以，我觉得，

1. 去做定位应该是没有必要，毕竟人脸篡改肯定是修改了一整张脸，把定位的网络，而不是分类的网络做backbone会不会好一点。

2. 值得借鉴的地方，融合两个特征的方法，怎么创新，让他们分别生成一个结果，然后再融合的影响，没必要，或者上GAN，去对抗，用DWT去提取frequency 信息解释起来好像有点儿牵强，频域信息到底怎么用。