本文选自gongzhonghao【图灵学术SCI论文辅导】

关注我们，掌握更多顶会顶刊发文资讯

今天，为大家推荐一个极具前沿价值与实用潜力的研究方向：图神经网络（GNN）。作为深度学习领域的新兴力量，图神经网络在近年顶会论文中的占比持续攀升，尤其在图结构数据建模、跨模态关系推理和复杂系统优化等核心领域表现亮眼。这些研究通过挖掘节点间的拓扑关联与动态交互，显著提升了模型对非欧几里得数据的表征能力与泛化性能。

图神经网络不仅能高效处理社交网络、分子结构和知识图谱等复杂关系数据，更因其强大的结构适应性，在药物研发、金融风控、智慧交通和工业设计等多元化场景中实现技术突破。这一方向兼具理论深度与应用广度，是推动下一代人工智能的关键引擎。

下面小图给大家精选3篇CVPR图神经网络方向的论文，请注意查收！

Image Processing GNN: Breaking Rigidity in Super-Resolution

方法：

文章首先通过设计细节丰富度指标来衡量图像节点的重要性，并据此为高频率节点分配更高的度数，从而构建出度数灵活的图。接着，将图像视为像素节点集合而非图像块节点集合，避免了图像块刚性带来的错位问题。最后，通过在局部邻域内搜索节点连接构建局部图，以及在全图的稀疏采样空间内搜索节点连接构建全局图，实现了局部和全局信息的高效聚合，从而提升了超分辨率性能。

创新点：

提出了基于细节丰富度的度数可变图构建方案，打破了传统方法中所有像素聚合邻域数量固定的刚性限制，使细节丰富的像素能够聚合更多相关信息，从而更好地重建图像细节。
首次在超分辨率任务中采用像素节点代替图像块节点构建图，避免了图像块刚性带来的错位问题，提升了图聚合的灵活性和准确性。
设计了局部和全局图采样策略，同时利用局部和全局信息进行超分辨率重建，兼顾了细节重建的局部需求和全局特征的利用，在保持效率的同时提升了超分辨率性能。

论文链接：

https://ieeexplore.ieee.org/document/10658586

GreedyViG: Dynamic Axial Graph Construction for Efficient Vision GNNs

方法：

文章首先介绍了动态轴向图构建（DAGC）算法，该算法基于图像块之间的欧几里得距离的均值和标准差动态构建图，避免了KNN算法中对每个节点都进行最近邻搜索的高计算成本。接着，文章详细描述了如何将DAGC算法整合到GreedyViG架构中，通过在每个阶段结合卷积层和图卷积层，实现了对图像的局部和全局特征的高效处理。最后，通过在ImageNet-1K、COCO和ADE20K等数据集上的实验验证了GreedyViG的性能，证明了其在多个任务上的优越性。

创新点：

提出了动态轴向图构建（DAGC）方法，相比传统的KNN图构建方式，DAGC通过限制图像内图连接的数量，仅保留最重要的连接，显著提高了计算效率。
设计了GreedyViG架构，这是一种新颖的CNN-GNN混合架构，结合了条件位置编码（CPE）和最大相对图卷积，能够在不同分辨率下同时进行局部和全局信息处理。
在多个视觉任务（如图像分类、目标检测、实例分割和语义分割）上进行了广泛的实验，GreedyViG在准确率、参数数量和计算量（GMACs）方面均优于现有的ViG、CNN和ViT架构。

论文链接：

https://ieeexplore.ieee.org/document/10656295

FC-GNN: Recovering Reliable and Accurate Correspondences from Interferences

方法：

文章首先定义了匹配优化问题，将其分解为异常值剔除和不准确匹配校准两个子问题，然后设计了FC-GNN网络架构，利用相对位置编码和局部图像块嵌入来提取匹配和局部纹理信息，并通过k-邻域自注意力机制逐步扩展感受野，最后通过两个解码器分别输出匹配的置信度分数和校准偏移量，以实现联合过滤和校准。

创新点：

提出了一种新颖的联合过滤和校准（Filtering and Calibrating, FC）方法，能够同时剔除具有较大误差的异常值，并优化具有较小误差的不准确匹配，从而提高匹配的可靠性和准确性。
构建了基于注意力机制的图神经网络（FC-GNN），通过结合上下文信息和局部图像纹理，有效整合局部和全局信息，以减少匹配不确定性，并降低计算复杂度。
通过实验验证了该方法在多种匹配流程和不同任务中的显著性能提升，证明了其作为图像匹配标准优化组件的巨大潜力。