論文の概要: VLM4Cluster: Benchmarking Deep Clustering In the Era of Vision-Language Pre-training

• arxiv url: http://arxiv.org/abs/2609.36648v1
• Date: Tue, 29 Sep 2026 03:49:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 04:28:51.338798
• Title: VLM4Cluster: Benchmarking Deep Clustering In the Era of Vision-Language Pre-training
• Title（参考訳）: VLM4Cluster:ビジョンランゲージ事前トレーニングの時代におけるディープクラスタリングのベンチマーク
• Abstract要約: VLM4Clusterは画像クラスタリングのための包括的なベンチマークである。 古典的、ディープ、および言語支援の画像クラスタリングにまたがる17の代表的なメソッドを実装している。 古典的で、挑戦的で、きめ細かな、大規模で、配布外の設定を含む20のデータセットで評価する。
• 参考スコア（独自算出の注目度）: 47.364155837779634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language pre-training has reshaped image clustering, giving rise to language-assisted image clustering (LaIC), which leverages textual semantics to complement visual representations. Despite the rapid proliferation of LaIC methods, it remains unclear how much LaIC has actually advanced image clustering, as existing studies generally suffer from major limitations, including inconsistent experimental settings, inadequate dataset selection, and limited evaluation dimensions. To address this gap, we introduce VLM4Cluster, a comprehensive benchmark for image clustering in the era of pre-trained vision-language models (VLMs). VLM4Cluster implements 17 representative methods spanning classical, deep, and language-assisted image clustering, and evaluates them on 20 datasets covering classical, challenging, fine-grained, large-scale, and out-of-distribution settings. Beyond effectiveness, VLM4Cluster systematically investigates image clustering along three complementary dimensions: robustness to adversarial perturbations, generalization under distribution shifts, and computational efficiency. Our study shows that LaIC substantially advances the clustering performance frontier on many semantically demanding benchmarks, generally exhibits stronger generalization under distribution shifts, and achieves a more favorable effectiveness-efficiency trade-off. However, its gains become less consistent on large-scale and fine-grained datasets, while language assistance does not systematically reduce sensitivity to adversarial perturbations. VLM4Cluster is released at https://github.com/YuanweiHuu/VLM4Cluster.
• Abstract（参考訳）: 視覚言語事前学習は、画像クラスタリングを再形成し、テキストセマンティクスを活用して視覚表現を補完する言語支援画像クラスタリング(LaIC)を生み出した。 LaIC手法の急速な普及にもかかわらず、LaICが実際にどれだけ高度な画像クラスタリングを行ったかは定かではない。 このギャップに対処するため、VLM4Clusterは、事前学習された視覚言語モデル(VLM)の時代における画像クラスタリングのための包括的なベンチマークである。 VLM4Clusterは、古典的、ディープ、および言語支援の画像クラスタリングにまたがる17の代表的なメソッドを実装し、古典的で、挑戦的で、きめ細かな、大規模な、配布外設定を含む20のデータセットで評価する。 有効性以外にも、VLM4Clusterは3つの相補的な次元に沿って画像クラスタリングを体系的に研究している。 本研究は,LaICが多くのセマンティック要求ベンチマークにおいてクラスタリング性能フロンティアを大幅に向上させ,分散シフト下でのより強力な一般化を実現し,より良好な有効効率トレードオフを実現することを示す。 しかし, 大規模・微粒なデータセットでは精度が低下する一方, 言語支援は対向的摂動に対する感受性を体系的に低下させるものではない。 VLM4Clusterはhttps://github.com/YuanweiHuu/VLM4Clusterで公開されている。

関連論文リスト

• U-shaped Multi-granularity Learning for Vision-Language Models [8.898786482970456]
  視覚言語モデルのための多言語学習フレームワークであるUPromptを提案する。 U-Netと同様に、UPromptは視覚とテキストの両モードで並列な多重粒度表現を構築する。 17のベンチマークに関する大規模な実験は、我々の有効性を検証する。
  論文  参考訳（メタデータ） (2026-07-16T13:18:08Z)
• Reducing Bias and Variance: Generative Semantic Guidance and Bi-Layer Ensemble for Image Clustering [11.868111045998335]
  GSECは、ジェネレーティブなセマンティックガイダンスとアンサンブルラーニングによってバイアスを減らすように設計されたフレームワークである。 提案手法では,マルチモーダル大言語モデルを用いて意味記述を生成し,画像埋め込みを導出する。 比較実験により、GSECは6つのベンチマークデータセットで18の最先端メソッドを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-13T03:52:34Z)
• Language-Assisted Image Clustering Guided by Discriminative Relational Signals and Adaptive Semantic Centers [65.70472330370735]
  本稿では,2つの補完的なコンポーネントを持つLanguage-Assisted Image Clustering (LAIC) フレームワークを提案する。 我々は、クラスタリングのためのより差別的な自己スーパービジョン信号を生成するために、言語間関係を利用する。 カテゴリワイドな連続的なセマンティックセンタを即時学習により学習し、最終的なクラスタリングの割り当てを生成する。
  論文  参考訳（メタデータ） (2026-03-25T13:08:14Z)
• Improving Visual Discriminability of CLIP for Training-Free Open-Vocabulary Semantic Segmentation [20.30263242388691]
  LHT-CLIPは、レイヤ、ヘッド、トークンレベルのCLIPの視覚的識別性を活用する、トレーニング不要のフレームワークである。 さまざまなシナリオにまたがって最先端のパフォーマンスを実現し、実際のデプロイメントの有効性と実用性を強調している。
  論文  参考訳（メタデータ） (2025-10-27T22:05:08Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
  我々はSemantic Equitable Clustering(SEC)という,高速かつバランスの取れたクラスタリング手法を導入する。 SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。 視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
  論文  参考訳（メタデータ） (2024-05-22T04:49:00Z)
• Large-Scale Hyperspectral Image Clustering Using Contrastive Learning [18.473767002905433]
  SSCC(Spectral-Spatial Contrastive Clustering)という,スケーラブルなオンラインクラスタリングモデルを提案する。 我々は、スペクトル空間拡張プールから二重コントラスト学習を行うために、クラスタ番号の次元を持つ投影ヘッドからなる対称双対ニューラルネットワークを利用する。 結果として得られたアプローチは、バッチワイズ最適化によってエンドツーエンドでトレーニングされ、大規模なデータで堅牢になり、見当たらないデータに対して優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2021-11-15T17:50:06Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。