本文提出了一种基于图卷积网络的可学习的人脸聚类框架，通过用两个图卷积网络分别估计节点置信度和边的连通性，实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验，证明了该方法显著提高了聚类准确性，并在不损失性能的情况下大幅提升了识别模型的计算效率。

Apr, 2020

本文提出了一种精确可扩展的面部聚类方法，将任务表述为链接预测问题，并构建子图进行推理。实验表明，该方法对于面部复杂分布更为稳健，可扩展到大数据集，并且不需要先验聚类数量，能够检测噪音和异常值，并且可扩展到多视角版本以获得更准确的聚类精度。

Mar, 2019

本文提出了一种高效的邻域感知子图调整方法，可以显著减少噪声并提高子图召回率，从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分，结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明，该方法在三个基准数据集上优于现有解决方案。

Apr, 2023

本文介绍了一种新的人脸聚类方法，将人脸聚类任务转化为成对关系分类任务，避免了在大规模图上训练所需的高内存消耗，并借助上下文信息以增强分类器性能。同时，引入排名加权密度来指导选择输入分类器的对。实验结果表明，该方法速度最快，内存消耗最小，并且在几个公共聚类基准上达到了最先进的性能。

May, 2022

使用卷积神经网络进行非监督学习，提取图像中的高级特征，并取得了针对 20,000 个物体类别的显著优化结果。

Dec, 2011

本篇论文提出了一种高效的 Rank-Order 聚类算法，可将超过 1.23 亿张人脸图像聚类成 1000 多万个类别，并在相应的内部和外部质量度量下分析其结果，以及对视频帧进行了初步的聚类研究。

Apr, 2016

本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力，并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布，并提出了一种监督对比聚类方法来将特征拉向簇中心，并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后，对流行的面部基准进行了广泛的定性和定量实验，证明了我们范式的有效性以及在现有的面部识别方法上的优越性。

Dec, 2023

研究提出一种基于极值理论的新颖身份分离方法，作为一种超分布检测算法，大大减少了重叠身份标签噪声所导致的问题，通过对余弦损失的调节，给出了聚类不确定性的估计，实验结果表明，该方法在受控和实际环境下比监督基线方法都有更好的性能。

Jul, 2020

本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模型在特定环境下的准确性能。

Mar, 2022

本篇论文的研究表明，对于人脸识别问题，采用无标注数据也可以有效替代有标注数据，通过构建从底部往上的关系图，使用 Consensus-Driven Propagation (CDP) 方法挑选出正面对的脸部图像，使用 CDP 方法只使用了 9% 的标注数据，在 MegaFace 识别挑战上获得了 78.18% 的准确率，进一步验证了该方法的有效性。

Sep, 2018