用于多视图聚类的生成扩散对比网络
计算机视觉与模式识别
2026-01-21 v2
摘要
近年来,随着深度学习的影响,多视图聚类(MVC)取得了显著进展。通过整合来自多个视角的异构数据,MVC能够提升聚类分析效果,因此多视图融合对于聚类性能至关重要。然而,多视图融合中存在数据质量较低的问题。这种问题主要源自两个原因:1) Certain视图受到噪声数据的污染。2) 某些视图存在数据缺失。本文提出了一种新颖的随机生成扩散融合(SGDF)方法以解决上述问题。SGDF利用针对每个样本的多视图特征的多生成机制,其对低质量数据具有鲁棒性。基于SGDF,我们进一步提出了生成扩散对比网络(GDCN)。大量实验表明,GDCN在深度MVC任务中取得了最新的成果。源代码已公开于https://github.com/HackerHyper/GDCN。
引用
@article{arxiv.2509.09527,
title = {Generative Diffusion Contrastive Network for Multi-View Clustering},
author = {Jian Zhu and Xin Zou and Xi Wang and Lei Liu and Chang Tang and Li-Rong Dai},
journal= {arXiv preprint arXiv:2509.09527},
year = {2026}
}