arXiv cs.CV· Jo\~ao P. Matos-Carvalho, Nuno Fachada·· 4 小时前AI 评分35
基于视觉语言模型嵌入向量的图像聚类：Qwen3-VL、BLIP-2 等九种表征流程对比
Image Clustering with Vision-Language Model Embeddings
AI 导读
研究对比九种图像表征流程、七个图像基准与四种聚类配置共 252 种组合，在固定 Ward 层次聚类下，Qwen3-VL 在五个数据集上取得最高 ARI，MNIST 达 0.925。
来源：arXiv cs.CV · arxiv.org