前言 终于要轮到自己汇报了好崩溃。。盯着论文准备开始做汇报ppt感觉一头乱麻，决定还是写博客理清思路再说吧 参考资料： 论文原文：arxiv.org/pdf/1010.2955 RPCA参考文章：RPCA - 知乎 (zhihu.com) 谱聚类参考文章：谱聚类（spectral clustering）原理总结 - 刘建平Pinard - 博客园 (cnblogs.com) 一、问题描

导读： 　　本文为CVPR2018论文《Deep Adversarial Subspace Clustering》的阅读总结。目的是做聚类，方法是DASC=DSC（Deep Subspace Clustering）+GAN（Generative Adversarial Networks）。本文从以下四个方面来对论文做个简要整理： 　　背景：简要介绍与本文密切相关的基础原理，DSC，GAN。

1 Abstract: 这篇论文提出了新的算法来解决特征稀疏约束的主成分分析问题（FSPCA），该问题同时执行特征选择和PCA。现有的FSPCA优化方法需要对数据分布做出假设，并且缺乏全局收敛性的保证。尽管一般的FSPCA问题是NP难问题，我们展示了对于低秩协方差，FSPCA可以全局解决（算法1）。然后，我们提出了另一种策略（算法2），通过迭代构建一个精心设计的代理来解决一般协方差情况下的FSP

Latent Multi-view Subspace Clustering Abstract1 Introduction2 Proposed Approach3 Optimization1. P-subproblem2. H-subproblem3. Z-subproblem4. E-subproblem5. J-subproblem6. Updating Multipliers 5 个人整

Transformation-Based Method 例题： entropy-based method 联合熵，条件熵 例题

Deep Sparse Subspace Clustering 翻译 文章下载：http://cn.arxiv.org/pdf/1709.08374 摘要： 在本文中，我们提出了稀疏子空间聚类的深度扩展，称为深度稀疏子空间聚类（DSSC）。 通过对学习的深度特征的单位球分布假设进行规范，DSSC可以通过同时满足SSC的稀疏性原理和神经网络给出的非线性来推断出新的数据亲和度矩阵。 DSSC带来

基于图卷积算子的表示： 根据增广拉格朗日方法得出： 整个算法的步骤如下： 实验结果：

摘要 大多数现有的多视图聚类方法都假设所有的视图都是完整的。然而，在许多真实场景中，多视图数据往往是不完整的，例如，硬件故障或数据收集不完整。（发现问题，必要性） 本文提出了一种自适应加权图融合不完全多视图子空间聚类(AWGF-IMSC)方法来解决不完全多视图聚类问题。 首先，为了消除原始空间中存在的噪声，将完整的原始数据转换为潜在的表示（深度表示呗），这有助于更好地构建每个视图的图。 然后，我

原文链接：https://arxiv.org/pdf/2012.15028v2.pdf 摘要：本文介绍了一种新的图像去噪框架NBNet。与以前的工作不同，我们建议从一个新的角度来解决这个具有挑战性的问题:通过图像自适应投影来降低噪声。具体来说，我们提出通过在特征空间中学习一组重构基来训练一个能够分离信号和噪声的网络。随后，可以通过选择信号子空间的相应基并将输入投影到这样的空间中来实现图像去噪。我