重排序方法利用高置信度检索样本对检索结果进行精炼，已在图像检索任务中被广泛用作后处理工具。然而，我们注意到重排序的一个主要缺陷，即计算复杂度高，这导致在实际应用中时间成本过高而难以承受。本文重新审视了重排序方法，并证明了重排序可以被重新表述为具有高并行性的图神经网络（GNN）函数。具体而言，我们将传统的重排序过程分为两个阶段：检索高质量的库样本和更新特征。我们认为第一阶段相当于构建k近邻图，而第二阶段则可以视为在图内传播消息。在实际应用中，GNN只需关注具有连接边的顶点。由于图是稀疏的，我们可以高效地更新顶点特征。在Market-1501数据集上，我们使用一块K40m GPU将重排序处理时间从89.2秒加速到9.4毫秒，从而实现了实时后处理。类似地，我们在其他四个图像检索基准数据集（VeRi-776、Oxford-5k、Paris-6k和University-1652）上观察到，我们的方法在有限的时间成本下达到了可比甚至更好的检索效果。我们的代码已公开发布。