通过稀疏差分转换器增强面部聚类中的噪声鲁棒性

用于衡量面部嵌入向量之间关系的方法在决定面部聚类性能方面发挥着关键作用。现有方法使用Jaccard 相似系数而非余弦距离来提高测量精度。然而，这些方法会引入过多无关节点，导致Jaccard系数在判别性方面受限，严重影响聚类性能。为此，我们提出一种预测驱动的Top-K Jaccard 相似系数，以增强相邻节点纯度，从而提高相似性测量的可靠性。尽管如此，准确预测最优邻居数量（Top-K）仍具有挑战性，导致聚类结果次优。为克服这一限制，我们开发了一个基于Transformer的预测模型，用于检查中心节点与其近Top-K邻居之间的关系，以进一步提高相似性估计的可靠性。然而，面向节点关系预测的平凡Transformer常因过度强调无关特征关系而引入噪声。为此，我们提出一种稀疏差分转换器（SDT），以消除噪声并增强模型的抗噪能力。多个数据集上的大量实验表明，我们的方法实现了最先进（SOTA）性能，超越现有方法，为面部聚类提供了更稳健的解决方案。