低通滤波与高频信号

一句话说人话：信号里，低频 = 平滑缓慢的变化，高频 = 剧烈急促的跳变；GCN 的消息传递本质是「低通滤波」，专门保留平滑、抹平跳变，所以它天生看不清那些「剧烈变化的地方」——而组织边界恰好就是这种剧烈变化。

---

一、频率是什么：信号变化的「快慢」

先建立一个直觉。你可以把任何一串数据想象成一条曲线：

• 低频：曲线平滑、缓慢地起伏，像远处连绵的丘陵。
• 高频：曲线剧烈、急促地跳变，像锯齿、像心电图突然的尖峰。

在图片里也是一样：

• 一张照片的大块色块（蓝天、草地）是低频——相邻像素颜色差不多，变化慢。
• 照片里的头发丝、轮廓线、边缘是高频——相邻像素颜色突然从黑变白，变化快。

二、低通滤波：一个「抹平器」

低通滤波 = 「只让低频通过、把高频滤掉」的操作。翻译成人话：把剧烈的变化磨平，只留下平滑的大趋势。

生活类比——给照片磨皮/打马赛克：

你用美颜相机给自拍「磨皮」，皱纹、痘印、发丝这些细节（高频）全被抹掉了，只剩光滑的大色块（低频）。照片变「干净」了，但那些锐利的轮廓线也没了。

再比如马赛克：一块区域全被涂成同一个颜色，边缘彻底消失。

低通滤波的本质就是 「让邻居趋同」 ——把相邻几个值平均一下，跳变就被拉平了。

三、GCN 为什么是低通滤波

回到 图卷积网络GCN。GCN 每做一层，就是把每个节点的特征和它邻居的特征加权平均。

「平均」这个动作，天然就是低通滤波：

• 如果两个相邻 spot 的基因表达本来差很多（这是「高频跳变」），一平均，它们的差距就被抹小了。
• 多做几层，就是反复磨皮，整张图的表达值越来越「光滑」、越来越趋同。

所以学术上有个结论：GCN 的消息传递，本质上是一种低通滤波。它擅长刻画「整体光滑的趋势」，但会把「剧烈的局部跳变」抹平。

四、组织边界 = 高频信号

现在把这两件事接到空间转录组上：

组织边界（比如大脑皮层第 3 层和第 4 层的分界处、肿瘤和正常组织的交界处），基因表达是剧烈跳变的——一边是一套基因在表达，跨过边界另一边突然换成另一套。

这种「跨一步、表达突变」的地方，正是高频信号。

于是问题来了：

• 我们想划准空间域（见 空间转录组与空间域），关键就是划准边界。
• 但边界是高频信号。
• 而 GCN 是低通滤波，天生要把高频抹平。

结果就是：传统 GCN 一上手，边界处的表达跳变被「磨皮」磨掉了，边界模糊、两个域黏在一起分不开。这正是 FPS-MGCN 论文开篇指出的核心痛点：

标准 GCN 的线性消息传递本质是低通滤波，擅长平滑低频信号，无法逼近高频分量，导致细粒度结构难以划分、边界模糊。

五、为什么论文需要它

这个「低通 vs 高频」的洞察，是整个论文的动机发动机：

1. 它解释了「为什么传统 GCN 划边界不行」——因为 GCN 是低通滤波，看不清高频边界。
2. 它直接催生了解决方案——既然 GCN 自己看不见高频，那就额外给它装一个「高频敏感」的通道，把边界信号显式地喂给它。这个通道就是 傅里叶特征映射。

一句话总结因果链：GCN 低通 → 看不清高频边界 → 傅里叶映射补高频 → 边界被锐化。

---

后续联动

概念	关系
图卷积网络GCN	GCN 的「邻居平均」本质就是低通滤波
傅里叶特征映射	低通滤波看不清高频，傅里叶映射就是来补这个盲区的
空间转录组与空间域	组织边界 = 空间域之间的高频跳变，是划分空间域的难点