【CVPR2025】超图视觉Transformer：图像不仅仅是节点，也不仅仅是边

近年来，计算机视觉领域的发展凸显了视觉Transformer（ViT）在多种任务中的可扩展性，然而在适应性、计算效率以及建模高阶关系的能力之间，仍存在权衡挑战。视觉图神经网络（ViG）作为一种替代方案，通过图结构方法进行建模，但其在边生成过程中依赖的聚类算法带来了计算瓶颈。 为了解决上述问题，我们提出了一种超图视觉Transformer（Hypergraph Vision Transformer, HgVT），该方法将层次化的二分超图结构引入视觉Transformer框架中，从而在保持计算效率的同时捕捉高阶语义关系。HgVT利用种群与多样性正则化动态构建超图，无需依赖聚类操作，并引入专家边池化机制以增强语义信息提取能力，并促进基于图的图像检索。 实验结果表明，HgVT在图像分类与检索任务中均表现出色，展示了其作为高效语义视觉任务框架的潜力。