本文介绍了基于深度学习和大语言模型的图像聚类方法，包括无监督聚类框架、CLIP模型、TAC方法和Multi-MaP等。这些方法通过自我监督和外部知识显著提升了聚类效果，并在多个基准数据集上表现优越，推动了图像聚类技术的发展。

本文介绍了GATCluster，一种基于自监督高斯注意力网络的图像聚类方法，通过四个自学习任务实现目标导向的语义特征学习。实验结果表明，该方法在图像聚类方面优于现有技术。

本文提出了一种深度关系度量学习（DRML）框架，旨在提升图像聚类和检索效果。该方法通过自适应特征学习和关系推理生成关系感知嵌入，以测量相似性，实验证明其优越性。

关系深度学习（RDL）通过自动学习图引导，简化了多表关系数据库中的机器学习模型构建。引入的RDBench基准测试促进了可复现的研究，支持多种机器学习方法的比较。此外，研究提出了深度关系度量学习（DRML）框架和记忆增强的关系推理模型RelNet，以提高图像聚类和检索的效果。

本研究提出了一种基于深度学习的新图像聚类方法，能够有效处理聚类中的不变性，并提供聚类中心和分配的解释性。实验结果表明，该方法在图像聚类基准测试中表现优异，前景广阔。

该论文提出了一种循环框架，用于联合无监督学习的深度表示和图像聚类。该模型通过在CNN输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。

本文介绍了一种新的图像聚类方法TAC，利用外部知识作为监督信号来引导聚类，同时采用文本和图像模态的相互作用来改进图像聚类性能。实验证明，TAC在多个图像聚类基准上取得了最先进的性能。