Rethinking Graph Super-resolution: Dual Frameworks for Topological Fidelity
Pragya Singh and Islem Rekik
图形超分辨率,从低分辨率(LR)对应物推断高分辨率(HR)图的任务,是一个探索不足但至关重要的研究方向,规避了昂贵的数据采集需求。 这使得它特别适合资源有限的领域,如医疗领域。 虽然最近基于GNN的方法显示出了希望,但它们受到两个关键限制:(1)基于矩阵的节点超分辨率,它无视图形结构,缺乏排列不变性;(2)依靠节点表示来推断边缘权重,这限制了可扩展性和表达性。 在这项工作中,我们提出了两个与GNN无关的框架来解决这些问题。 首先,Bi-SR引入了连接LR和HR节点的双部分图,以实现结构感知节点超分辨率,从而保留拓扑和排列不变性。 其次,DEFEND通过将HR边缘映射到双图的节点来学习边缘表示,允许通过基于标准节点的GNN进行边缘推理。 我们评估现实世界的大脑连接数据集上的这两个框架,在七个拓扑测量中,它们实现了最先进的性能。 为了支持泛化,我们引入了12个新模拟数据集,这些数据集可以捕获不同的拓扑和LR-HR关系。 这些可以实现图形超分辨率方法的全面基准测试。
Graph super-resolution, the task of inferring high-resolution (HR) graphs from low-resolution (LR) counterparts, is an underexplored yet crucial research direction that circumvents the need for costly data acquisition. This makes it especially desirable for resource-constrained fields such as the medical domain. While recent GNN-based approaches show promise, they suffer from two key limitations: (1) matrix-based node super-resolution that disregards graph structure and lacks permutation invaria...
