本文提出了一种深度学习结构的监督哈希方法，其中图像通过经过精心设计的卷积神经网络映射为二进制代码，通过三个构建模块的流水线过程（卷积子网络，划分编码模块和三元组排序损失），实现最近邻搜索的高效率和精确度。

Apr, 2015

提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

May, 2012

提出了一种高效的计算框架，用于将多模式数据散列成单一表示空间，使它们可以相互比较。该方法基于一种新的耦合孪生神经网络架构，并允许统一处理内部和跨模态相似性学习。与现有的跨模态相似性学习方法不同，我们的散列函数不仅限于二值化线性投影，并且可以呈现出任意复杂的形式。实验表明，该方法在多媒体检索任务中显著优于现有的散列方法。

Jul, 2012

本文旨在详细研究包括深度监督哈希与深度无监督哈希在内的深度哈希算法，并探讨半监督深哈希、域自适应深哈希和多模态深哈希等相关重要主题，同时介绍公共数据集和深哈希算法性能的评估方法，并提出潜在的研究方向。

Mar, 2020

本文提出一种新的算法，该算法同时执行特征工程和非线性监督哈希函数学习，使用预训练和指数哈希损失函数，实现了有效的梯度计算和传播，并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明，我们的算法明显优于所有现有的最先进的竞争对手，特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。

Aug, 2016

通过神经网络进行嵌入表示学习是现代基于相似性的搜索的核心基础。该研究旨在直接学习可量化的嵌入表示和稀疏二进制哈希码，从而实现构建高效哈希表，提供显著的搜索数据减少和超越以往的度量学习方法的最新搜索准确性。

May, 2018

本文提出了一种新的非监督哈希方法，称为稀疏诱导生成对抗哈希（SiGAH），通过生成对抗训练框架将大规模高维特征编码为二进制代码，从而解决了已有哈希存在的量化损失问题和数据分布不一致问题。实验结果表明，该方法在 Tiny100K、GIST1M、Deep1M 和 MNIST 四个基准数据集上的性能均优于现有最先进方法。

Jun, 2023

本文提出了一种名为 CIMON 的新方法，通过全局细化和相似性统计分布获得可靠且平滑的指导，并引入语义和对比一致性学习来推导既具有扰动不变性又具有区分性的哈希码，通过在多个基准数据集上进行的大量实验证明，该提出的方法在检索性能和鲁棒性方面均优于一系列现有技术方法。

Oct, 2020

本研究提出了一种监督学习框架，直接从原始图像中生成紧凑且可扩展的哈希编码，通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界，并同时优化图像特征和哈希函数，从而在实际应用中更具有灵活性和更高的性能。

Aug, 2015

该论文提出一种基于自学习的哈希方法，通过无监督学习为给定语料库中的所有文档找到 $l$ 位二进制码，再通过有监督学习训练 $l$ 个分类器，以预测之前未见过的查询文档的 $l$ 位码。在三个真实的文本数据集上的实验表明，该方法比现有技术显著地优越。

Apr, 2010