ANIMC：一种用于自动加权含噪与不完整多视图聚类的软框架

多视图聚类在许多图像处理场景中有广泛应用。在这些场景中，原始图像数据常含有缺失样本与噪声，而大多数多视图聚类方法忽略了这一点。然而，缺失样本可能使这些方法难以直接使用，而噪声会导致不可靠的聚类结果。本文中，我们通过软自动加权策略与双重软正则回归模型，提出了一种新颖的自动加权含噪与不完整多视图聚类框架（ANIMC）。首先，通过设计自适应半正则化非负矩阵分解（自适应 semi-RNMF），软自动加权策略为每个视图分配适当权重，并添加软边界以平衡噪声与不完整性的影响。其次，通过提出 ${\theta}$-范数，双重软正则回归模型通过选择不同的 ${\theta}$ 来调整模型的稀疏性。与现有方法相比，ANIMC 具有三个独特优势：1）它是一种软算法，可在不同场景中调整框架，从而提升泛化能力；2）它自动学习每个视图的适当权重，从而降低噪声影响；3）它执行双重软正则回归以对齐不同视图中的相同样本，从而减少缺失样本的影响。大量实验结果证明了其相对于其他最先进（SOTA）方法的优越优势。