불완전 멀티뷰 클러스터링은 일부 뷰가 누락된 멀티모달 데이터를 클러스터링하는 문제를 다룹니다. 기존 생성적 접근 방식은 디퓨전 모델을 활용하여 누락된 뷰를 복구하지만, 클러스터링에 최적화되어 있지 않습니다. 본 연구에서는 확률 경로 설계를 재검토하여 디퓨전 대신 관측된 뷰와 누락된 뷰 간의 확률 플로우를 사용합니다.
Straight-Path Flow Matching 프레임워크는 클래스 조건부 데이터 분포를 존중하고 유한 단계에서 클러스터 일관성을 유지하는 데 있어 디퓨전 기반 경로보다 클러스터링 목표에 더 잘 맞습니다. 이를 바탕으로 클러스터 수준 및 엔트로피 기반 정렬을 통합한 end-to-end IMVC 아키텍처를 개발했습니다.
표준 IMVC 벤치마크 실험 결과, 제안된 프레임워크는 새로운 최고 성능을 달성했습니다.