利用场景图的上下文信息可以帮助模型理解目标之间的关联作用；然而，大量不相关的目标可能带来额外噪声，进而影响信息交互，造成预测偏差。在嘈杂且多样的场景中，即使几个简单的关联目标，也足够推断目标所处的环境信息，并消除其他目标的歧义信息。此外，在面对真实场景中的长尾偏差数据时，场景图生成（SGG）的性能难以令人满意。针对上下文信息增强和预测偏差的问题，提出一种基于关联信息增强与关系平衡的SGG（IERB）方法。IERB方法采用一种二次推理结构，即根据有偏场景图的预测结果重新构建不同预测视角下的关联信息并平衡预测偏差。首先，聚焦不同视角下的强相关目标以构建上下文关联信息；其次，利用树型结构的平衡策略增强尾部关系的预测能力；最后，采用一种预测引导方式在已有场景图的基础上预测优化。在通用的数据集Visual Genome上的实验结果表明，与3类基线模型VTransE（Visual Translation Embedding network）、Motif和VCTree（Visual Context Tree）相比，所提方法在谓词分类（PredCls）任务下的均值召回率mR@100分别提高了11.66、13.77和13.62个百分点，验证了所提方法的有效性。
