基于图神经网络的异源图像配准方法综述

摘 要：为了探讨图神经网络在处理异源图像配准任务中的应用和性能，为后续的图像融合或拼接等任务提供支持，通过综述现有文献，介绍了多种图神经网络模型及其在图像配准领域的应用，并对各种图神经网络架构进行了比较，评估了不同模型的性能。研究发现，图神经网络模型凭借其对图结构信息的有效利用能力及对节点属性信息的精细捕捉，在处理异源图像配准时展现出较传统方法更优的性能。通过对图像配准方法的系统研究，为解决异源图像配准任务面临的配准难度大和精度低的问题提供了新的技术思路。

关键词：异源图像;图像配准;特征匹配;图神经网络;注意力机制

中图分类号：TP751 文献标志码：A

0 引言（Introduction）

近年来，基于深度学习的方法在图像配准领域取得了显著进展。图神经网络（Graph Neural Network，GNN）的发展经历了几个重要阶段。最初，人们提出了基于谱图理论的方法，如Spectral CNN[1]，但这种方法在大型图的处理任务中显得力不从心，原因在于它们需要计算整个图的拉普拉斯矩阵的特征分解，导致计算量过于庞大。随后，空间域方法被提出[2]，其中具有代表性的模型便有图卷积网络（Graph ConvolutionalNetwork，GCN）等，该模型及其变体通过在图空间域上直接进行操作，避免了复杂的谱计算。本文将系统地研究GNN的基础理论及其在图像配准任务中的应用，进一步研究图神经网络在异源图像配准领域的最新应用，详细分析现有的基于GNN的异源图像配准方法，包括它们的架构、优点和缺点以及适用场景，同时探讨这些方法当前面临的主要挑战。通过本文的研究，旨在为GNN在异源图像配准领域的应用提供新的解决方案，推动相关领域的研究产生深远且积极的影响。