サンプル間の類似性とクラスタ間の相違性は、画像クラスタリングにおける2つの重要な側面です。しかし、現在の深層クラスタリング手法では、特徴量の類似性または意味論的な相違性の推定が不正確であるという問題があります。本論文では、意味論的な疑似ラベリングに基づく画像クラスタリング（Semantic Pseudo-labeling-based Image Clustering, SPICE）フレームワークを提案します。このフレームワークは、インスタンスレベルの類似性を測定するための特徴量モデルと、クラスタレベルの相違性を識別するためのクラスタリングヘッドにクラスタリングネットワークを分割します。我々は2つの意味論的な擬似ラベリングアルゴリズム、プロトタイプ擬似ラベリングと信頼可能な擬似ラベリングを設計しました。これらのアルゴリズムにより、クラスタリングに対する正確で信頼性のある自己監督が可能になります。真実ラベルを使用せずに、以下の3段階でクラスタリングネットワークを最適化します：1) 対照学習を通じてインスタンス類似性を測定する特徴量モデルを訓練し、2) プロトタイプ擬似ラベリングアルゴリズムを使用してクラスタセマンティクスを識別するクラスタリングヘッドを訓練し、3) 信頼可能な擬似ラベリングアルゴリズムを使用して特徴量モデルとクラスタリングヘッドを共同で訓練し、クラスタリング性能を向上させます。広範な実験結果から、SPICEは既存手法に対して有意な改善（約10%）を達成しており、6つの画像ベンチマークデータセットにおいて3つの一般的な評価指標に基づいて新しい最先端のクラスタリング結果を樹立しています。特に重要な点は、SPICEが非教師ありと完全教師あり分類間のギャップを大幅に縮小していることです。例えば、CIFAR-10においては精度差がわずか2%（91.8% 対 93.8%）となっています。我々のコードは公開されており、https://github.com/niuchuangnn/SPICE からアクセスできます。