摘 要：為了探討圖神經(jīng)網(wǎng)絡(luò)在處理異源圖像配準(zhǔn)任務(wù)中的應(yīng)用和性能，為后續(xù)的圖像融合或拼接等任務(wù)提供支持，通過(guò)綜述現(xiàn)有文獻(xiàn)，介紹了多種圖神經(jīng)網(wǎng)絡(luò)模型及其在圖像配準(zhǔn)領(lǐng)域的應(yīng)用，并對(duì)各種圖神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行了比較，評(píng)估了不同模型的性能。研究發(fā)現(xiàn)，圖神經(jīng)網(wǎng)絡(luò)模型憑借其對(duì)圖結(jié)構(gòu)信息的有效利用能力及對(duì)節(jié)點(diǎn)屬性信息的精細(xì)捕捉，在處理異源圖像配準(zhǔn)時(shí)展現(xiàn)出較傳統(tǒng)方法更優(yōu)的性能。通過(guò)對(duì)圖像配準(zhǔn)方法的系統(tǒng)研究，為解決異源圖像配準(zhǔn)任務(wù)面臨的配準(zhǔn)難度大和精度低的問(wèn)題提供了新的技術(shù)思路。

關(guān)鍵詞：異源圖像;圖像配準(zhǔn);特征匹配;圖神經(jīng)網(wǎng)絡(luò);注意力機(jī)制

中圖分類(lèi)號(hào)：TP751 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

近年來(lái)，基于深度學(xué)習(xí)的方法在圖像配準(zhǔn)領(lǐng)域取得了顯著進(jìn)展。圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network，GNN）的發(fā)展經(jīng)歷了幾個(gè)重要階段。最初，人們提出了基于譜圖理論的方法，如Spectral CNN[1]，但這種方法在大型圖的處理任務(wù)中顯得力不從心，原因在于它們需要計(jì)算整個(gè)圖的拉普拉斯矩陣的特征分解，導(dǎo)致計(jì)算量過(guò)于龐大。隨后，空間域方法被提出[2]，其中具有代表性的模型便有圖卷積網(wǎng)絡(luò)（Graph ConvolutionalNetwork，GCN）等，該模型及其變體通過(guò)在圖空間域上直接進(jìn)行操作，避免了復(fù)雜的譜計(jì)算。本文將系統(tǒng)地研究GNN的基礎(chǔ)理論及其在圖像配準(zhǔn)任務(wù)中的應(yīng)用，進(jìn)一步研究圖神經(jīng)網(wǎng)絡(luò)在異源圖像配準(zhǔn)領(lǐng)域的最新應(yīng)用，詳細(xì)分析現(xiàn)有的基于GNN的異源圖像配準(zhǔn)方法，包括它們的架構(gòu)、優(yōu)點(diǎn)和缺點(diǎn)以及適用場(chǎng)景，同時(shí)探討這些方法當(dāng)前面臨的主要挑戰(zhàn)。通過(guò)本文的研究，旨在為GNN在異源圖像配準(zhǔn)領(lǐng)域的應(yīng)用提供新的解決方案，推動(dòng)相關(guān)領(lǐng)域的研究產(chǎn)生深遠(yuǎn)且積極的影響。