Graphenlernen wird derzeit hauptsächlich durch Graphkerne dominiert, die zwar leistungsfähig sind, aber einige erhebliche Einschränkungen aufweisen. Faltungsneuronale Netze (CNNs) bieten eine sehr ansprechende Alternative, jedoch ist die Verarbeitung von Graphen mit CNNs nicht trivial. Um dieser Herausforderung zu begegnen, wurden kürzlich viele fortschrittliche Erweiterungen von CNNs eingeführt. In diesem Artikel kehren wir das Problem um: Anstatt ein weiteres Modell für Graph-CNNs vorzuschlagen, stellen wir eine neuartige Methode zur Darstellung von Graphen als mehrkanalige bildähnliche Strukturen vor, die es ermöglicht, sie mit einfachen 2D-CNNs zu verarbeiten. Experimente zeigen, dass unsere Methode in 4 von 6 realen Datensätzen (mit und ohne kontinuierliche Knoteneigenschaften) genauer ist als die besten bisher bekannten Graphkerne und Graph-CNNs und ansonsten nahe daran liegt. Unser Ansatz ist auch in Bezug auf die Zeitkomplexität den Graphkernen überlegen. Der Quellcode und die Daten sind öffentlich zugänglich.