近年来，计算机视觉领域的新型架构层出不穷，包括视觉 Transformer、MLP 等，它们在很多任务上都取得了超越 CNN 的本能，受到广泛关注。其中，视觉 MLP 具有极其简单的架构，它仅由多层感知器（MLP）重叠而成。与 CNN 和 Transformer 相比，这些简洁的 MLP 架构引入了更少的归纳偏置，具有更强的泛化本能。
然而，现有视觉 MLP 架构的本能依然弱于 CNN 和 Transformer。来自华为诺亚方舟实验室、北京大学、悉尼大学的研究者提出了一种受量子力学启发的视觉 MLP 架构，在 ImageNet 分类、COCO 检测、ADE20K 分隔等多个任务上取得了 SOTA 本能。
论文地址：https://arxiv.org/abs/2111.12294
PyTorch 代码：https://github.com/huawei-noah/CV-Backbones/tree/master/wavemlp_pytorch
MindSpore 代码：https://gitee.com/mindspore/models/tree/master/research/cv/wave_mlp
Wave-MLP
该研究受量子力学中波粒二象性的启发，将 MLP 中每一个图象块 (Token) 透露表现成波函数的形式，从而提出了一个新型的视觉 MLP 架构——Wave-MLP，在本能上大幅超越了现有 MLP 架构以及 Transformer。
量子力学是描述微观粒子运动规律的物理学分支，经典力学可被视为量子力学的特例。量子力学的一个基本属性是波粒二象性，即所有的个体（比如电子、光子、原子等）都可以同时使用粒子的术语和波的术语来描述。一个波通常包括幅值和相位两个属性，幅值透露表现一个波可能达到的最大强度，相位指示着当前处在一个周期的哪个位置。将一个经典意义上的粒子用波（比如，德布罗意波）的形式来透露表现，可以更完备地描述微观粒子的运动状态。
那么，对于视觉 MLP 中的图象块，能不能也把它透露表现成波的形式呢？该研究用幅值表达每一个 Token 所包罗的实际信息，用相位来透露表现这个 Token 当前所处的状态。在聚集分歧 Token 信息的时候，分歧 Token 之间的相位差会调制它们之间的聚拢过程（如图 3 示）。考虑到来自分歧输入图象的 Token 包罗分歧的语义内容，该研究使用一个简单的全连接模块来动态估计每一个 Token 的相位。对于同时带有幅度和相位信息的 Token，作者提出了一个相位感知 Token 混合模块（PATM，如下图 1 所示）来聚拢它们的信息。交替重叠 PATM 模块和 MLP 模块构成了整个 Wave-MLP 架构。
图 1：Wave-MLP 架构中的一个单元
相比现有的视觉 Transformer 和 MLP 架构，Wave-MLP 有着明显的本能优势（如下图 2 所示）。在 ImageNet，Wave-MLP-S 模型上以 4.5G FLOPs 实现了 82.6% 的 top-1 准确率，比相似计算代价的 Swin-T 高 1.3 个点。此外，Wave-MLP 也可以推广到目标检测和语义分隔等下游任务，展现出强大的泛化本能。
图 2：Wave-MLP 与现有视觉 Transformer、MLP 架构的比较
用波透露表现 Token
在 Wave-MLP 中，Token 被透露表现为同时具有幅值和相位信息的波
，
（1）
其中 i 是满足 i^2 = -1 的虚数单位，|·| 透露表现绝对值运算，⊙是逐元素乘法。幅值 |z_j| 是实值的特征，透露表现每一个 Token 所包罗的内容。θ_j 透露表现相位，即 Token 在一个波周期内的当前位置。
两个 Token 之间的相位差对它们的聚拢过程有很大影响 （如下图 3 所示）。当两个 token 具有相同的相位时，它们会相互增强，得到幅值更大的波（图 3（b））；当两个 token 相位相反时，他们合成的波将相互减弱。在其他情况下，它们之间的相互作用更加复杂，但仍取决于相位差（图 3（a））。经典方法中使用实值透露表现 token 的，这实际上是上式的一个特例。
图 3：两个具有分歧相位的波的聚拢过程。左侧透露表现两个波在单数域中的叠加，右侧透露表现它们在实轴上的投影随着相位的变化。虚线透露表现两个初始相位分歧的波，实线是他们的叠加。
相位感知的 Token 聚拢
公式（1）中包罗幅值和相位两项，幅值 z_j 类似于实值特征，可以采用标准的 Channel-FC 生成：
（2）
对于相位，可以使用多种方式来估计。为了使得相位可以捕获每一个输入的特定属性，该研究使用一个可学的估计模块来生成相位 θ_j。在获得幅值 z_j 和相位 θ_j 之后，可以根据公式（1）得到 Token 的波函数透露表现
。同时，公式（1）可以采用欧拉公式展开成连个实值向量拼接的形式：
（3）
透露表现分歧的 Token 波函数会通过一个 Token-FC 聚拢起来，得到单数域的输出：
（4）
类似于量子计算中的测量过程，单数域的需要映射到实数域里才能得到有意义的输出值。将实部和虚部做按照一定的权重进行求和，得到模块的输出：
（5）
在视觉 MLP 中，该研究构建了一个相位感知模块（PATM，图 1）来完成 Token 聚拢的过程。交替重叠 PATM 模块和 channel-mixing MLP 组建了整个 WaveMLP 架构。
实验结果
该研究在大规模的分类数据集 ImageNet, 目标检测数据集 COCO 和语义分隔数据集 ADE20K 上都进行了大量实验。
ImageNet 上图象分类的结果如表 1，表 2 所示：相比于现有的 Vision MLP 架构和 Transformer 架构，WaveMLP 都取得了明显的本能优势。
在下游目标检测、语义分隔等任务中，Wave-MLP 同样表现出更优的本能。
