面向异构观测噪声的质量感知鲁棒多视角聚类
计算机视觉与模式识别
2026-02-27 v1 人工智能
摘要
深度多视角聚类取得了显著进展，但在现实应用中仍易受复杂噪声影响。现有噪声鲁棒方法主要依赖简化的二元假设，将数据视为要么完美干净，要么完全损坏，从而忽略了异构观测噪声在数据中持续变化的普遍存在。为弥合这一差距，我们提出一种新框架，称为质量感知鲁棒多视角聚类 (QARMVC)。具体而言，QARMVC 采用信息瓶颈机制提取视图重构的内在语义。利用噪声破坏语义完整性并阻碍重构的洞见，我们利用产生的重构差异精确量化细粒度污染强度，推导出实例级质量评分。这些评分被整合到分层学习策略中：在特征层面，设计质量加权对比目标以适应性抑制噪声的传播；在融合层面，构建通过质量加权聚合实现的高质量全局共识，并用于通过互信息最大化对齐和校正局部视图。广泛的实验在五个基准数据集上表明，QARMVC 在异构噪声强度情景下 consistently 超越最新 SOTA 方法。
引用
@article{arxiv.2602.22568,
title = {Quality-Aware Robust Multi-View Clustering for Heterogeneous Observation Noise},
author = {Peihan Wu and Guanjie Cheng and Yufei Tong and Meng Xi and Shuiguang Deng},
journal= {arXiv preprint arXiv:2602.22568},
year = {2026}
}