这篇文档属于类型b（综述论文），以下是针对该文档的学术报告：
《the visual computer》期刊2025年发表的综述论文《graph neural networks in vision-language image understanding: a survey》由Henry Senior（伦敦玛丽女王大学）、Gregory Slabaugh（伦敦玛丽女王大学）、Shanxin Yuan（伦敦玛丽女王大学）和Luca Rossi（香港理工大学）合作完成。论文系统梳理了图神经网络（Graph Neural Networks, GNNs）在视觉-语言图像理解任务中的应用现状，涵盖图像描述生成（image captioning）、视觉问答（visual question answering, VQA）和图像检索（image retrieval）三大核心任务。
论文指出，图像理解不仅需要识别物体，还需解析场景中物体的语义和空间关系。图结构（graph）天然适合表示物体间的关联性，而GNNs能够有效处理非欧几里得数据（如语义图、空间图）。例如，语义图（semantic graph）的节点代表物体，边代表关系（如“骑自行车的人-自行车”），而GNNs通过消息传递（message passing）机制聚合邻域信息，增强特征表示。支持这一观点的案例包括：
- Yao等（2019）提出的GCN-LSTM模型通过语义图和空间图联合编码，显著提升图像描述生成的SPICE分数（提升约3%）。
- 在VQA任务中，Teney等（2017）的GraphVQA模型利用视觉与文本场景图的跨模态对齐，准确率较传统CNN-LSTM模型提高7%。
作者提出了一套图结构分类体系，包括：
- 语义图（semantic graph）：基于物体检测结果构建，如Visual Genome数据集中的对象-关系三元组。
- 空间图（spatial graph）：编码物体间的几何关系（如“覆盖”“包含”），例如Yao等定义的11种空间关系类别。
- 层次图（hierarchical graph）：如Yao等（2021）提出的树状结构，将图像分为区域（region）和实例（instance）两层。
- 知识图谱（knowledge graph）：用于需要外部知识的任务（如FVQA），例如从Wikidata提取事实三元组。
论文通过对比实验指出，多图融合（如语义+空间图）的模型性能优于单图模型。例如，Guo等（2020）的VSG模型通过多部图（multi-partite graph）联合建模物体、属性和关系，在COCO数据集上CIDEr分数提升至128.3。
论文详细分析了不同GNN变体在视觉-语言任务中的优劣：
- 图卷积网络（Graph Convolutional Network, GCN）：通过邻域聚合更新节点特征，但易受过平滑（over-smoothing）影响。例如，Zhong等（2020）在图像描述生成中采用GCN筛选关键子图，减少冗余信息。
- 图注意力网络（Graph Attention Network, GAT）：引入注意力机制动态加权邻域节点，如Nuthalapati等（2021）在VQA中通过边注意力提升答案推理能力。
- 图记忆网络（Graph Memory Network）：如Khademi（2020）的MN-GMN模型，通过外部记忆单元整合多模态图信息，在VQA 2.0测试集上准确率达73.5%。
作者提出以下开放问题：
- GNN与Transformer的融合：Transformer可视为完全图（complete graph）上的GNN，但显式利用先验图结构（如语义关系）仍具优势。
- 数据偏差：COCO等数据集的性别、种族偏差可能影响模型公平性，需引入去偏技术。
- 生成模型的潜力：扩散模型（如DALL·E 3）生成的图像若结构一致性不足，可能限制其在训练数据扩充中的应用。
该综述首次系统归纳了GNNs在视觉-语言领域的应用框架，其贡献包括：
1. 方法论指导：提出图类型分类和GNN选型建议，为模型设计提供参考。
2. 跨任务对比：揭示多模态图融合、知识注入等通用优化策略。
3. 批判性讨论：指出Transformer与GNN的互补性，呼吁关注数据偏差和评估指标局限性。
亮点：
- 首次覆盖图像描述生成、VQA和图像检索三大任务的GNN技术全景。
- 提出“图结构先验优于隐式学习”的观点，得到实验数据支持（如Dual-GCN优于纯Transformer模型）。
- 开源数据集与代码索引（如Visual Genome、COCO）为后续研究提供便利。
（注：全文约2000字，严格遵循术语翻译规范，如“message passing”首次出现译为“消息传递（message passing）”。）