使用基于分段的图像表示模型，本研究旨在解释和预测复杂性，并发现可以通过简单的线性模型，利用图像中的分段数量和类别数量，对多样的自然场景和艺术图像集进行解释。

Mar, 2024

通过使用分块匹配算法和相似度 / 不相似度测量，本研究在图像处理过程中，利用高斯噪声和图像大小减小的低通滤波器或域转换，并采用分阶段搜索技术通过相位操作符对图像进行编码。通过量子傅里叶变换和 Swap 测试对相位图像编码进行相似度度量，结果在理想和噪声模拟以及与 IBM 和 Ionq 量子设备进行 Swap 测试的情况下获得。

Sep, 2023

通过使用大数定律重新衍生出的 “对比损失”，我们将其重新解读为一种 “福音”，这种现象使得分布的实例集中在一个狭窄的 “超壳” 上，从而实现数据点的聚类，并且能够从未组织的数据中寻找模式。

Apr, 2018

本研究提出了一种测量图像分类问题复杂性的新方法，即累积谱梯度（CSG）度量，通过概率分布与谱聚类框架计算自然地反映数据集整体可分离性的度量，并通过 11 个数据集与三个 CNN 模型展示了其精度和快速性。

May, 2019

本论文介绍了一种使用众包进行视觉知觉试验的新框架，该框架创建了一个新的 PJND 数据集，KonJND++，由 300 个源图像、JPEG 或 BPG 压缩的图像版本以及每个源图像的平均 43 个 PJND 评级和 129 个 JND 致命区域的自报告位置组成。

Jun, 2023

本文针对加性白噪声对图像造成的污染问题，提出并比较了 7 种字典学习方法，并采用全局聚类方法进行图像构建块的聚类去噪，得到了在降噪效果和执行时间两方面皆优的结果。

Jan, 2015

我们提出了一种基于压缩的聚类方法，使用基于长度压缩数据文件的普适相似性距离（NCD）来构建层级聚类，可以成功地应用于基因组学，病毒学，语言学，文学，音乐，手写数字，天文学以及完全不同域的对象长度压缩数据文件，并且在不同的压缩方式下具有普遍性和强韧性。

Dec, 2003

本文提出了一种名为 Discernible Image Compression（DIC）的方法，旨在通过追求外观和感知一致性来生成高质量的压缩图像，并利用经过预训练的 CNN 提取原始和压缩图像的特征，同时最小化特征分布之间的差异，实验结果表明使用该方法压缩的图像可被下游的视觉识别和检测模型良好识别。

Feb, 2020

本文提出了一种新型的复杂数据聚类算法，利用符号数据进行言语解释，通过最大化模块之间的一致性产生更好的聚类效果和高质量的聚类级别解释，实验结果表明，该模型在聚类性能方面优于竞争对手，并提供高质量的聚类级别解释。

May, 2021

本论文提出了一种名为 DCCM 的新型聚类框架，可以从三个方面探索和充分利用未标记数据中的各种相关性，通过伪标签监督，全面的研究特征对输入空间的图像变换的稳健性，并将 triplet 互信息应用于聚类问题中，从而进一步有助于学习更有区分性的特征。在多个数据集上进行了广泛的实验，取得了良好的性能，例如在 CIFAR-10 上达到 62.3％的聚类准确度，比现有最先进方法高出 10.1％。

Apr, 2019