基于扩散对比生成的残缺多视图聚类
计算机视觉与模式识别
2025-07-01 v2
摘要
由于多视图数据集中普遍存在的数据缺失问题，残缺多视图聚类（IMVC）近年来受到越来越多的关注。解决这一挑战的主要方法是在应用传统多视图聚类方法之前恢复缺失的视图。尽管基于填补的IMVC方法已取得显著进展，但它们仍面临明显的局限性：1）严重依赖配对数据来训练数据恢复模块，这在缺失率较高的真实场景中是不切实际的；2）生成的数据往往缺乏多样性和判别性，导致聚类结果次优。为了解决这些缺陷，我们提出了一种名为Diffusion Contrastive Generation（DCG）的新型IMVC方法。受扩散过程与聚类过程之间一致性的启发，DCG通过对视图内数据应用正向扩散和反向去噪过程来学习分布特征，从而增强聚类。通过对有限的一组配对多视图样本执行对比学习，DCG能够将生成的视图与真实视图对齐，促进在任意缺失视图场景下的精确视图恢复。此外，DCG集成了实例级和类别级交互学习，以利用多视图数据中可用的一致和互补信息，实现稳健的端到端聚类。大量实验表明，我们的方法优于state-of-the-art方法。代码可在https://github.com/zhangyuanyang21/2025-AAAI-DCG获取。
引用
@article{arxiv.2503.09185,
title = {Incomplete Multi-view Clustering via Diffusion Contrastive Generation},
author = {Yuanyang Zhang and Yijie Lin and Weiqing Yan and Li Yao and Xinhang Wan and Guangyuan Li and Chao Zhang and Guanzhou Ke and Jie Xu},
journal= {arXiv preprint arXiv:2503.09185},
year = {2025}
}