Les méthodes de clustering d'images non supervisées introduisent souvent des objectifs alternatifs pour former indirectement le modèle et sont sujettes à des prédictions erronées et à des résultats trop confiants. Pour surmonter ces défis, la recherche actuelle propose un modèle innovant appelé RUC, inspiré par l'apprentissage robuste. L'originalité de RUC réside dans l'utilisation des pseudo-étiquettes des modèles de clustering d'images existants en tant que jeu de données bruyant, qui peut inclure des échantillons mal classés. Son processus de réentraînement peut corriger les connaissances mal alignées et atténuer le problème de surconfiance dans les prédictions. La structure flexible du modèle permet son utilisation comme module complémentaire à d'autres méthodes de clustering, aidant celles-ci à obtenir de meilleures performances sur plusieurs jeux de données. De nombreuses expériences montrent que le modèle proposé peut ajuster la confiance du modèle avec une meilleure calibration et acquérir une robustesse supplémentaire face au bruit adversarial.