多视图聚类在跨模态表示学习和数据驱动决策方面具有重要影响；然而，随着对比学习在计算机视觉领域的不断发展，自监督学习也在多视图聚类方法中逐渐占主导地位。该论文探讨了自监督多视图聚类的原因、优势以及常见数据集、数据问题、表示学习方法和自监督学习方法的内部联系和分类，并介绍了各类方法的机制和应用示例。最后，提出了一些待进一步研究和发展的开放性问题。

Sep, 2023

本文提出了一种跨视角对比学习（CVCL）方法，该方法利用深度自编码器将视角相关特征提取出来，通过对多个视角下的聚类结果对比来学习视角不变性表示，并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息，从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。

Apr, 2023

我们提出了一个全新的基于深度学习的多视角聚类框架，通过学习有意义的融合数据表示和一致的伪标签，实现对通用数据的聚类分析任务的改进。

Feb, 2024

本文提出一种深度多视角聚类 (Multi-view Clustering) 框架，将数据恢复和对齐融合在一个层次一致的方式中，通过最大化不同视角之间的互信息，并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明，我们的方法在多视角聚类中显著优于现有方法，即使在视角缺失和不对齐的情况下也是如此。

Oct, 2023

通过对比学习构建一致增强的深度多视图聚类方法（CCEC），该方法通过多个视图之间的语义连接块保存一致信息，并通过谱聚类增强聚类过程的一致性。实验证明该方法在五个数据集上相比最先进方法具有更好的效果和优越性。

Jan, 2024

本论文总结并分析了目前多视角聚类（MVC）方法的常见策略，并提出了一种新的 MVC 方法分类。我们进一步讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系，并详细阐述了几个代表性实际应用。为了推进将来 MVC 的发展，我们设想了一些可能需要进一步研究和深入考虑的开放性问题。

Dec, 2017

本论文探讨了如何对多视角聚类模型进行表示分布的对齐操作，提出了对齐操作存在的问题，并提出了一种避免对齐操作的基线模型以及新增一种选择性对齐的对比学习组件，实验证明该模型可以有效提高多视角聚类模型的性能表现。

Mar, 2021

本文提出了一种新型的多阶段深度多视图聚类框架，引入多视图自我蒸馏（DistilMVC）来提取标签分布的暗知识，从而消除过度自信的伪标签的影响，提高模型的泛化能力，并通过对比学习来探索多个视图的常见语义，通过最大化视图之间的互信息来获得伪标签，同时通过教师网络将伪标签蒸馏为暗知识，提升学生网络的预测能力，实验结果表明，与现有方法相比，我们的方法在真实多视图数据集上具有更好的聚类性能。

Oct, 2023

多视角对比聚类中的双重对比校准网络 (DealMVC) 的提出，通过融合机制获取全局交叉视图特征，借助全局和局部对比校准损失实现多视图信息的多样性利用，并通过准确的类别信息规范化特征结构，以获得不同视图中相似样本的类似特征，最终实验证明了算法的有效性和优越性。

Aug, 2023

提出了一种新的不完整多视图对比聚类框架，它直接优化了潜在特征子空间，并利用学习的特征向量及其子向量进行重建学习和一致性学习，从而有效地避免了维度崩溃，同时通过交叉视图预测机制来恢复不完整数据，采用最小条件熵来丢弃不一致信息，进一步避免私有信息的影响。实验结果表明，该方法在 5 个公共数据集上实现了最先进的聚类结果。

Mar, 2023