本文介绍了求和积网络（SPN）及其在图形建模推理中的应用，强调其在图像完成任务中的优越性。研究探讨了SPN与贝叶斯网络的关系，提出了新的参数学习方法和算法，展示了SPN在结构化预测中的有效性。此外，文章介绍了新型概率模型XSPN和图感知积-和网络（GSPN），并通过实验验证了其在处理缺失数据和图像分类中的优势。

本文介绍了一种新的概率图形学习框架——图感知积和网络（GSPN），该模型在缺乏监督数据和图像分类方面表现优越。研究还提出了求和积网络（SPN）和自对比图扩散网络（SCGDN），提高了图形建模和节点状态平衡的效率。实验结果表明，这些新方法在性能上优于传统模型。