La tecnología de restauración de imágenes es un campo crucial en el procesamiento de imágenes y se utiliza extensamente en varios dominios. Recientemente, con los avances en la tecnología de redes convolucionales de grafos (GCN), los métodos basados en GCNs se han aplicado cada vez más a la restauración de imágenes, obteniendo resultados impresionantes. A pesar de estos avances, existe una brecha en la investigación integral que consolida varias técnicas de eliminación de ruido en imágenes. En este documento, realizamos un estudio comparativo de técnicas de restauración de imágenes utilizando GCNs. Comenzamos categorizando los métodos de GCN en tres áreas de aplicación principales: eliminación de ruido en imágenes, super resolución de imágenes y desenfoque de imágenes. Luego profundizamos en las motivaciones y principios subyacentes de varios enfoques de aprendizaje profundo. Posteriormente, proporcionamos comparaciones tanto cuantitativas como cualitativas de métodos de última generación utilizando conjuntos de datos públicos de eliminación de ruido. Finalmente, discutimos los desafíos potenciales y las direcciones futuras, con el objetivo de allanar el camino para futuros avances en este dominio. Nuestros hallazgos clave incluyen la identificación del rendimiento superior de los métodos basados en GCN en la captura de dependencias a larga distancia y la mejora de la calidad de la imagen en diferentes tareas de restauración, destacando su potencial para la investigación y las aplicaciones futuras.