图神经网络相关论文整理

图形学相关

Learning to Simulate Complex Physics with Graph Networks(ICML 2020)
图网络模拟器

在这里，我们提供了一个学习模拟的通用框架，并提供了一个单一模型的实现，该模型可在各种具有挑战性的物理领域（包括流体，刚性固体和可变形材料彼此相互作用）中产生最先进的性能。我们的框架（我们称为“基于图网络的模拟器”（GNS））表示带有粒子的物理系统的状态，表示为图中的节点，并通过学习的消息传递来计算动力学。我们的结果表明，我们的模型可以从训练期间包含数千个粒子状态的单一时间步长的预测，推广到不同的初始条件，数千个时间步长，以及在测试时至少增加一个数量级的粒子。我们的模型对于跨各种评估指标的超参数选择具有鲁棒性：长期表现的主要决定因素性能是消息传递步骤的数量，并通过用噪声破坏训练数据来减轻错误的累积。我们的GNS框架是迄今为止最准确的通用学习型物理模拟器，它有望解决各种复杂的正反问题。

code:https://github.com/deepmind/deepmind-research/tree/master/learning_to_simulate
注：可训练，就是开销较大，训练测试效果一般

CV

Situation Recognition with Graph Neural Networks(ICCV 2017)
基于图模型神经网络的情景识别

在情景识别任务中，算法需要同时识别图中所展示的动作以及参与完成这个动作的各种角色，比如主语、宾语、目标、工具等等。为了显式地对不同角色间的关系建模，文中提出的图模型神经网络将表示不同角色的节点连接在了一起，并通过信息传递的方式使得网络可以输出一个结构化的结果。
作者在实验中比较了不同的连接方式，比如线形结构，树形结构和全连接结构，发现在情景识别任务中全连接结构的效果最好。最后，文中还展示网络所学习到的对于不同动作的特有的连接结构。

上图所示的结果图，比较了不同模型的检测结果。其中蓝底的表示参与动作的角色，绿底表示正确的预测结果，红底表示错误的预测结果。我们可以看到，使用全连接图模型能够纠正一些由其他模型产生的错误。

SketchGNN: Semantic Sketch Segmentation with Graph Neural Networks
基于图神经网络的语义草图分割

我们介绍了SketchGNN，这是一种卷积图神经网络，用于自由手绘矢量素描的语义分割和标记。我们将输入基于笔画的草图视为一个图形，其中节点表示沿着输入笔画采样的点，并且边缘编码笔画结构信息。为了预测每个节点的标签，我们的SketchGNN使用图卷积和静态-动态分支网络架构来提取三个级别（即点级、笔划级和草图级）上的特征。在大规模具有挑战性SPG数据集上，在像素度量和组件度量方面，SketchGNN显著提高了语义草图分割最先进方法的准确性（分别比前者提高11.2％和18.2％），并且其参数数量远少于基于图片或序列方法。

code:https://github.com/sYeaLumin/SketchGNN