带自适应分块计算的语义一致性增强图神经网络
计算机视觉与模式识别
2026-05-05 v1
摘要
在图表示学习中捕获节点之间的语义一致性至关重要。现有方法通常依赖 k 最近邻 (kNN) 或其他节点级完全搜索算法 (FSA) 通过彻底的成对相似性计算来探测语义关系，这些方法受计算复杂度高和刚性邻居选择限制，影响可扩展性并引入噪声连接。为了解决这些问题，我们提出了一种新的图神经网络——语义一致性增强图神经网络 (SCGNN)，该框架利用自适应分块计算 (GBC) 以可扩展的方式高效捕获语义一致性。与节点级 FSA 方法不同，SCGNN 通过自适应将节点划分为自适应分块，显著降低计算成本并提高对噪声的鲁棒性。为了有效利用所发现的 group-level 语义一致性，我们设计了双重增强策略。具体而言，(1) 结构增强模块构建一种基于锚点的图结构，其中每个锚点代表一个自适应分块所携带的 group-level 语义的虚拟节点，然后将 group-level 语义信息注入图结构中；(2) 监督增强模块通过结合 GBC 预测与模型生成的伪标签执行标签一致性检查 (LCC)，从而产生更可靠的监督信号。SCGNN 与各种 GNN 主干网络兼容。在 SCGNN 的前向传播期间，原始图和增强图将联合编码，其预测将被融合；在反向传播期间，监督增强模块为参数更新提供增强监督信号。
引用
@article{arxiv.2605.02616,
title = {Global-Local Feature Decoding with Adapter-Guided SAMv2 for Salient Object Detection},
author = {Morteza Moradi and Mohammad Moradi and Simone Palazzo and Ali Borji and Concetto Spampinato},
journal= {arXiv preprint arXiv:2605.02616},
year = {2026}
}