很棒的多视图聚类 最新技术（SOTA）的集合，新颖的多视图聚类方法（论文，代码和数据集） 我们期待其他参与者分享他们的论文和代码。 如果有兴趣，请联系 。 目录 重要调查文件 多视角学习论文调查 基于图的多视图聚类系统研究纸代码 多视图聚类：调查论文 多视图学习概览：最近的进展和新的挑战纸业 文件 下列方法列出了论文：图形聚类，基于NMF的聚类，共正则化，子空间聚类和多核聚类 图Clusteirng AAAI15：通过两方方格纸代码进行大规模多视图光谱聚类 IJCAI17：具有多个图形的自加权多视图聚类”论文代码 TKDE2018：一站式多视图光谱聚类纸代码 TKDE19：GMC：基于图的多视图聚类论文代码 ICDM2019：一致性遇到不一致：用于多视图聚类的统一图学习框架论文代码 多Kenrel聚类（MKC） NIPS14：用于内核k均值聚类的局部数据融合及其在癌症生物学中的

基于多视角的三维重建，英文。基于多视角的三维重建，英文。

1 Introduction 我们的方法是基于以下观察:有大量在线图片的情况下，应该存在在相似光照，天气，曝光条件，相似分辨率和足够长基线的子集。通过自动识别这些子集，我们可以极大地简化问题，在提供足够的视差进行精确重建的同时，匹配外观和比例相似的图像。虽然这个想法是概念上很简单,他的有效执行需要两个方面：在图像层面，估计尺度，外观和足够长的基线；在像素层面，处理遮挡，杂乱，局部光线变化，并鼓励水平和垂直上视差的匹配。我们的主要贡献是设计和分析这样一个自适应的视图选择过程。我们发现这种方法在很多场景和cpc上都是有效的。事实上，我们的实验表明，简单的匹配指标能够在许多场景的重要部分上容忍惊人的广泛的照明变化。虽然我们希望未来的工作能扩展这一操作范围，甚至利用外观上的巨大变化，但我们相信结合简单度量的视图选择是一种有效的工具，也是从互联网派生的集合中重建场景的重要的第一步。

GMC: Graph-based Multi-view Clustering 源代码

Aggregate Channel Features for Multi-view Face Detection英文原文加翻译 断断续续翻译了将近一周。。翻译的不好不要打我QAQ

This book equips readers to handle complex multi-view data representation, centered around several major visual applications, sharing many tips and insights through a unified learning framework. This framework is able to model most existing multi-view learning and domain adaptation, enriching readers’ understanding from their similarity, and differences based on data organization and problem settings, as well as the research goal. A comprehensive review exhaustively provides the key recent research on multi-view data analysis, i.e., multi-view clustering, multi-view classification, zero-shot learning, and domain adaption. More practical challenges in multi-view data analysis are discussed including incomplete, unbalanced and large-scale multi-view learning. Learning Representation for Multi-View Data Analysis covers a wide range of applications in the research fields of big data, human-centered computing, pattern recognition, digital marketing, web mining, and computer vision.

协同训练多视角谱聚类的代码，matlab源码，供大家参考。

Multi-View K-Means Clustering on Big Data论文简洁讲义