DiFiC：你的扩散模型蕴含了细粒度聚类的秘密
计算机视觉与模式识别
2024-12-30 v1 机器学习
摘要
细粒度聚类是一项实用且具有挑战性的任务，其本质在于捕捉不同类别实例之间细微的差异。这些细微差异容易被数据增强所扰乱，或被数据中冗余信息所淹没，导致现有聚类方法性能显著下降。本文引入了 DiFiC，这是一种基于条件扩散模型的细粒度聚类方法。与现有工作侧重从图像中提取判别性特征不同，DiFiC 采用推断图像生成所用的文本条件。为提炼更精确、更利于聚类的对象语义，DiFiC 进一步对扩散目标进行正则化，并利用邻域相似性指导提炼过程。广泛的实验表明，在四个细粒度图像聚类基准测试数据集上，DiFiC 均优于当前最先进的判别式和生成式聚类方法。我们希望 DiFiC 的成功能够激发未来研究者探索扩散模型在生成之外的其他潜在应用。代码将对外公开。
引用
@article{arxiv.2412.18838,
title = {DiFiC: Your Diffusion Model Holds the Secret to Fine-Grained Clustering},
author = {Ruohong Yang and Peng Hu and Xi Peng and Xiting Liu and Yunfan Li},
journal= {arXiv preprint arXiv:2412.18838},
year = {2024}
}