【CVPR2020】图神经网络中的几何原理连接

图卷积运算符将深度学习的优势引入到各种以前认为无法实现的图和网格处理任务中。随着他们的不断成功，人们希望设计更强大的架构，通常是通过将现有的深度学习技术应用于非欧几里德数据。在这篇论文中，我们认为在新兴的几何深度学习领域，几何应该保持创新的主要驱动力。我们将图神经网络与广泛成功的计算机图形学和数据近似模型:径向基函数(RBFs)联系起来。我们推测，与RBFs一样，图卷积层将受益于将简单函数添加到强大的卷积内核中。我们引入了仿射跳跃连接，这是一种将全连通层与任意图卷积算子相结合而形成的新型构造块。通过实验验证了该方法的有效性，表明改进的性能不仅仅是参数数目增加的结果。在我们评估的每一项任务中，配备了仿射跳跃连接的操作人员都显著地优于他们的基本性能。形状重建，密集形状对应，和图形分类。我们希望我们的简单而有效的方法将作为一个坚实的基线，并有助于缓解未来在图神经网络的研究。