发表于CVPR2024，认为现有图像视觉提取器基于图片是平滑的这一假设设计了基于网格式的架构，因此提出了聚类特征提取FEC，在图像处理中，FEC算法通过两种交替操作实现：首先将像素分组为独立簇以提取抽象特征，随后利用当前特征向量更新像素的深度特征。这种迭代机制通过多层神经网络实现，最终生成的特征向量可直接应用于下游任务。各层间的聚类分配过程可供人工观察验证，使得FEC的前向计算过程完全透明化，并赋予其出色的自适应可解释性。
1
发表于CVPR2024，提出了一种基于聚类启发的表征学习框架，该框架包含自动裂缝分割的双阶段策略。第一阶段通过预处理步骤实现边缘非裂缝区域的精确定位。在第二阶段，为学习这些区域的判别性特征，我们设计了聚类启发式损失（CI Loss，*clustering-inspired loss*），将监督学习模式转变为无监督聚类方式。
2
TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。
3
发表于NeurIPS2023，本文介绍了一种基于CLUSTERing范式与TransFORMER的通用视觉模型——CLUSTERFORMER。该模型包含两个创新设计：①循环交叉注意力聚类，重新定义了TransFORMER中的交叉注意力机制，通过递归更新聚类中心，促进强大的表示学习；②特征调度，利用更新后的聚类中心，通过基于相似性的度量重新分配图像特征，形成一个透明的处理流程。
4
发表于CVPR2020，其提出了在线深度聚类的方法，即设计并维护了两个动态内存模块，即用于存储样本标签和特征的样本内存，以及用于质心进化的质心内存，将突然的全局聚类分解为稳定的内存更新和批量标签重新分配。
5
发表于CVPR2023，共识聚类是一种无监督的集成聚类方法，旨在通过多次重采样和聚类分析来评估聚类结果的稳定性，从而确定数据集中最优的聚类数目（k值）及其成员结构。该论文提出了DivClust，一种多样性控制损失，可以纳入现有的深度聚类框架，以产生具有所需多样性程度的多个聚类。
6
aixiv文章，面对无监督语义分割，使用多级聚类的方法来实现。
8
发表于ICML2023。
9
发表于Pattern Recognition 2023， 设计了一个优化kmeans的算法BigMeans。
10