Diese Arbeit untersucht die Verwendung visueller semantischer Repräsentationen zur Ausrichtung von Entitäten in heterogenen Wissensgraphen (KGs). Bilder sind natürliche Bestandteile vieler existierender Wissensgraphen. Durch die Kombination visuellen Wissens mit anderen Hilfsinformationen zeigen wir, dass der vorgeschlagene neue Ansatz, EVA, eine umfassende Entitätsrepräsentation schafft, die starke Signale für die Ausrichtung von Entitäten über Graphen hinweg liefert. Zudem benötigen bisherige Methoden zur Entitätsausrichtung menschlich beschriftete Seed-Ausrichtungen, was ihre Verfügbarkeit einschränkt. EVA bietet eine vollständig unüberwachte Lösung, indem es die visuelle Ähnlichkeit von Entitäten nutzt, um ein anfängliches Seed-Wörterbuch (visuelle Pivots) zu erstellen. Experimente auf den Benchmark-Datensätzen DBP15k und DWY15k zeigen, dass EVA sowohl bei mono- als auch bei cross-lingualen Entitätsausrichtungsaufgaben eine Spitzenleistung erzielt. Darüber hinaus stellen wir fest, dass Bilder besonders nützlich sind, um langschwanzige KG-Entitäten auszurichten, die strukturelle Kontexte fehlen lassen, die für das Erfassen der Korrespondenzen notwendig wären.