该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法，利用空间关系分析和表达了高光谱图像的特性，并通过两个图卷积子空间构建了更具区分度的特征图，该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。

Mar, 2024

通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。

Dec, 2023

本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优于当前最先进的聚类方法。

Apr, 2024

本研究提出了一种基于深度卷积神经网络实现的、有监督且压缩的、结构化二进制编码的方法。通过使用块 softmax 非线性和基于批次的熵损失，本方法可以使学习到的编码具有结构性，并在单一和交叉领域分类、实例检索和类别检索等任务中，表现出比基于深度哈希或结构化量化的现有压缩表示更好的性能。

Aug, 2017

本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。实验结果表明，本方法在多视图数据中生成的多样性聚类（共聚类）优于当前现有的算法。

May, 2019

利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

Mar, 2024

提出了一种基于学习的分块图像压缩框架，引入显式内部预测，使用上下文预测模块以及边界感知后处理模块来解决压缩过程中的问题和缺陷。实验结果表明，在与现有学习图像压缩方法相比，该 LBHIC 编解码器具有更好的性能表现。

Dec, 2020

本文提出一种名为 Deep Semantic Image Compression (DeepSIC) 的概念，提出两种新颖的架构，旨在重构压缩图像并同时生成相应的语义表示。在编码过程中，第一架构通过将一部分比特保留在压缩编码中存储语义表示进行语义分析。第二种在解码过程中使用嵌入到压缩码中的特征映射进行语义分析。通过在公开数据集上进行实验，验证本文的方法，并对所提出技术的优缺点进行了彻底分析。

Jan, 2018

本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

May, 2022

本文提出了一种立体图像压缩方法，采用单图像自编码器和参数化跳跃函数进行压缩，并使用条件熵模型对图像代码的概率依赖关系进行建模，实验结果表明，在低码率下与深度单图像压缩相比，第二幅图像的比特率减少了 30-50％，高码率下减少了 10-20％。

Aug, 2019