저해상도(LR) 그래프로부터 고해상도(HR) 그래프를 추론하는 그래프 초해상도(Graph super-resolution)는 자원 제약적인 분야에 유용하지만, 기존 GNN 기반 접근 방식은 구조적 정보를 무시하고, 확장성과 표현력이 제한되는 문제가 있었다. 본 연구에서는 이러한 문제를 해결하기 위해 두 가지 GNN-agnostic 프레임워크를 제안한다. 첫째, Bi-SR은 LR 및 HR 노드를 연결하는 이분 그래프를 도입하여 위상 구조를 보존하고 순열 불변성을 갖는 구조 인식 노드 초해상도를 가능하게 한다. 둘째, DEFEND는 HR 엣지를 듀얼 그래프의 노드에 매핑하여 엣지 표현을 학습함으로써, 표준 노드 기반 GNN을 통한 엣지 추론을 허용한다. 실제 뇌 커넥톰 데이터셋과 다양한 위상 구조 및 LR-HR 관계를 포착하는 12개의 새로운 시뮬레이션 데이터셋을 사용하여 두 프레임워크를 평가하고, 그래프 초해상도 방법의 포괄적인 벤치마킹을 수행한다.
