卷积神经网络的方法是数据驱动的方法(data-driven), 能够捕获高度的复杂图像先验(complex image prior), 但是卷积神经网络由于
其结构的独特性,并不能够捕获非局部的相似性, 所以为图像降噪特别设计了图卷积神经网络, 图卷积神经网络允许动态的在特征空间构建
邻居, 去探测相似的空间距离,实现潜在的相连在隐藏层.
非局部的自相似的方法 such as BM3D WNNM 都是超级成功的. 抽取特征的局部属性是CNN的局限性.
图卷积神经网络被设计应用于不规则结构的数据,
作者提出的方法,不仅依赖于空间相邻像素，而且依赖于空间距离像素的特征.
作者设计的是思路是为每个像素选择最有意义的spatially-distant pixels, 在特征空间中选取, 这允许我们的感知野能够动态的适应于图像的特征.
CNN 具有局域连接,权重共享的特点.
提出的方法
第一部分:
由一系列的并行分支组成(parallel branches), 进行多尺度的特征提取,并紧接着图卷积操作和concatenate操作, 同时使用了全局的残差操作,
实现了渐近的噪声移除, 每个残差块的输入和输出增强了梯度的BP.
第二部分:
为结构的核心部分,如图所示.该层对经典的卷积层进行扩展，将空间相邻像素的隐层特征向量(由3*3的经典卷积实现)与特征空间中相似(最近邻)的空间距离像素(由构建的邻居节点图实现)的隐层特征向量进行聚合。
局部和非局部的通过平均的方式进行集成.