图超分辨率的双框架拨弄：保持拓扑保真性
机器学习
2025-11-13 v1 人工智能
图像与视频处理
摘要
图超分辨率是从低分辨率 (LR) 图推断高分辨率 (HR) 图的任务，这是一种尚未充分探索却至关重要的研究方向，可规避昂贵数据获取的需求。这使其尤其适用于资源受限的医学领域。虽然最近的 GNN 方法显示出前景，但它们存在两个关键局限性：(1) 忽略图结构且缺乏置换不变性的节点基准超分辨率；(2) 依赖节点表示来推断边权重，限制了可扩展性和表达性。在本文中，我们提出两种 GNN 无关的框架以解决这些问题。首先，Bi-SR 引入一个二分图连接 LR 和 HR 节点，以实现保持拓扑和置换不变性的结构感知节点超分辨率。其次，DEFEND 通过将 HR 边映射到双图的节点来学习边表示，允许通过标准基于节点的 GNN 推断边。我们在真实世界的脑连接组数据集上评估了这两个框架，在七个拓扑度量指标上实现了状态最佳性能。为支持泛化，我们引入了十二个新的模拟数据集，捕捉多样化的拓扑结构和 LR-HR 关系。这使得对图超分辨率方法进行全面基准测试成为可能。
引用
@article{arxiv.2511.08853,
title = {Rethinking Graph Super-resolution: Dual Frameworks for Topological Fidelity},
author = {Pragya Singh and Islem Rekik},
journal= {arXiv preprint arXiv:2511.08853},
year = {2025}
}