标准回答
本质区别（独占一行）
普通卷积工作在规则的欧式网格（图像像素阵）上，邻域大小与相对位置固定；图卷积工作在不规则图上，每个节点邻居数不同、且邻居之间没有空间顺序。
三点对比
一是结构：CNN 假设固定 (3\times3) 这类规则邻域，能用滑动窗口；图上节点度数可变、无网格坐标，无法用固定窗口。二是排列不变性：图的邻居是无序集合，GNN 聚合必须用 sum/mean/max 这类排列不变函数，结果不依赖邻居编号；而 CNN 卷积核每个位置有独立权重，对像素的空间顺序是敏感的（这正是它能识别方向、纹理的原因）。三是权重共享方式：CNN 在所有空间位置共享同一组卷积核权重；GNN 在所有节点共享同一聚合与变换函数。
两者关系
图像可看作一种特殊的规则网格图，每个像素恰好连接固定的上下左右邻居。因此 CNN 可视为 GNN 在规则网格上的特例，GNN 把卷积的「局部聚合 + 权重共享」思想推广到了任意拓扑。
常见误区
⚠️ 常见踩坑
别说「GNN 就是把 CNN 套到图上」——关键差异在排列不变性与可变邻居数；CNN 的卷积核对位置敏感，正因图缺乏固定的空间顺序，才不能直接照搬带方向的卷积核。
追问
追问 1：既然图像是规则图，为什么不直接用 GNN 处理图像？
可以但不划算。图像的规则网格让 CNN 能用高度优化的卷积、利用方向性卷积核且计算高效；用通用 GNN 会丢掉这种规则先验、聚合也多为排列不变而损失方向信息，效率和效果都不如专用 CNN。
追问 2：CNN 的池化在 GNN 里对应什么？
对应图池化（Graph Pooling），如 readout 的 sum/mean/max 把节点表示汇成图级向量，或 DiffPool、TopK Pooling 这类可学习的层次化下采样，逐步把图粗化为更小的图。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。