التحليل غير المراقب للصورة يُعد مهمة مهمة في العديد من السياقات الواقعية التي تكون فيها البيانات المُعلَّمة نادرة أو غير متوفرة. في هذه الورقة، نقترح منهجية جديدة تُستفيد من التطورات الحديثة في التعلم غير المراقب من خلال دمج مبادئ تحسين المعلومات التبادلية (MIM)، والتحليل التلقائي للبُكَر (Neural Superpixel Segmentation)، وشبكات الشبكات الرسومية (GNNs) بطريقة متكاملة من البداية إلى النهاية، وهو ما لم يُستكشف من قبل سابقًا. نستفيد من التمثيل المكثف للبُكَر، ونُدمجها مع شبكات GNNs لتعلم تمثيلات قوية وذات معنى معنويًا للصور. وبشكل خاص، نُظهر أن منهجيتنا القائمة على GNN تُمكّن من نمذجة التفاعلات بين البكَر البعيدة في الصورة، وتعمل كمُقدِّم قوي (Prior) للشبكات العصبية التلافيفية (CNNs) الحاليّة، مما يؤدي إلى تحسين الدقة. تُظهر تجاربنا المُنجزة مزايا نوعية وكمية واضحة لمنهجيتنا مقارنة بالأساليب الرائدة حاليًا على أربع مجموعات بيانات شهيرة.