El aprendizaje contrastivo muestra un gran potencial en el agrupamiento profundo. Utiliza pares construidos para descubrir la distribución de características que se requiere para la tarea de agrupamiento. Además de los pares aumentados convencionales, los métodos recientes han introducido más formas de crear pares altamente seguros, como los vecinos más cercanos, para proporcionar un mayor conocimiento previo semántico. Sin embargo, los trabajos existentes solo utilizan similitudes parciales de pares para construir pares semánticos localmente sin capturar las relaciones de la muestra completa desde una perspectiva global. En este documento, proponemos un nuevo marco de agrupamiento llamado aprendizaje contrastivo de atención de gráficos (GACL) para agregar más información semántica. Para ello, GACL está diseñado para realizar simultáneamente contrastes a nivel de instancia y de gráfico. Específicamente, con su novedoso mecanismo de atención de gráficos, nuestro modelo explora más pares no descubiertos y se enfoca selectivamente en pares informativos. Para garantizar la consistencia del agrupamiento local y global, utilizamos conjuntamente las pérdidas contrastivas diseñadas a nivel de gráfico y de instancia. Los experimentos en seis desafiantes conjuntos de imágenes demuestran la superioridad de nuestro enfoque propuesto sobre los métodos de última generación.