최근 이미지 클러스터링 분야의 발전은 주로 더 나은 딥 리프레젠테이션 학습에 초점을 맞추고 있습니다. 이와 대조적으로, 우리는 추상적 특징에 의존하지 않고 대신 이미지 변환을 예측하는 방법을 학습하여 이미지 공간에서 직접 클러스터링을 수행하는 직교적 접근 방식을 제시합니다. 이 학습 과정은 K-means 및 가우시안 혼합 모델의 기울기 기반 훈련에 자연스럽게 맞춰져 있으며, 추가적인 손실 함수나 하이퍼파라미터를 요구하지 않습니다. 이를 통해 두 가지 새로운 딥 트랜스포메이션 불변 클러스터링 프레임워크를 도출하는데, 이는 프로토타입과 변환을 동시에 학습합니다. 보다 구체적으로, 우리는 공간적, 색상 및 형태학적 변환에 대한 불변성을 해결할 수 있는 딥 러닝 모듈을 사용합니다. 우리의 접근 방식은 개념적으로 간단하며 여러 장점이 있습니다.其中包括可以轻松适应任务所需的不变性以及对聚类中心和聚类分配的强大可解释性。我们证明了我们的新方法在标准图像聚类基准上产生了具有竞争力且非常有前景的结果。最后，我们通过可视化真实照片集合上的聚类结果，展示了其鲁棒性和改进的可解释性的优势。（注：由于原文中包含中文部分，我将其转换为韩文以保持一致性。）우리의 접근 방식은 개념적으로 간단하며 여러 장점이 있습니다.其中包括可以轻松适应任务所需的不变性以及对聚类中心和聚类分配的强大可解释性。修正为：우리의 접근 방식은 개념적으로 간단하며 여러 장점이 있습니다. 특히, 필요한 불변성을 작업에 쉽게 적용할 수 있고, 클러스터 중심과 클러스터 할당에 대한 강력한 해석성이 포함됩니다.我们证明了我们的新方法在标准图像聚类基准上产生了具有竞争力且非常有前景的结果。修正为：우리는 우리의 새로운 방법이 표준 이미지 클러스터링 벤치마크에서 경쟁력 있고 매우 유망한 결과를 생성함을 입증하였습니다.最后，我们通过可视化真实照片集合上的聚类结果，展示了其鲁棒性和改进的可解释性的优势。修正为：마지막으로, 우리는 실제 사진 컬렉션에서의 클러스터링 결과 시각화를 통해 그 강건성과 개선된 해석성의 우위를 보여주었습니다.综上所述，完整的翻译如下：최근 이미지 클러스터링 분야의 발전은 주로 더 나은 딥 리프레젠테이션 학습에 초점을 맞추고 있습니다. 이와 대조적으로, 우리는 추상적 특징에 의존하지 않고 대신 이미지 변환을 예측하는 방법을 학습하여 이미지 공간에서 직접 클러스터링을 수행하는 직교적 접근 방식을 제시합니다. 이 학습 과정은 K-means 및 가우시안 혼합 모델의 기울기 기반 훈련에 자연스럽게 맞춰져 있으며, 추가적인 손실 함수나 하이퍼파라미터를 요구하지 않습니다. 이를 통해 두 가지 새로운 딥 트랜스포메이션 불변 클러스터링 프레임워크를 도출하는데, 이는 프로토타입과 변환을 동시에 학습합니다. 보다 구체적으로, 우리는 공간적, 색상 및 형태학적 변환에 대한 불변성을 해결할 수 있는 딥 러닝 모듈을 사용합니다. 우리의 접근 방식은 개념적으로 간단하며 여러 장점이 있습니다. 특히, 필요한 불변성을 작업에 쉽게 적용할 수 있고, 클러스터 중심과 클러스터 할당에 대한 강력한 해석성이 포함됩니다. 우리는 우리의 새로운 방법이 표준 이미지 클러스터링 벤치마크에서 경쟁력 있고 매우 유망한 결과를 생성함을 입증하였습니다. 마지막으로, 우리는 실제 사진 컬렉션에서의 클러스터링 결과 시각화를 통해 그 강건성과 개선된 해석성의 우위를 보여주었습니다.