本文提出了一种使用神经网络学习二进制哈希码来解决图像检索问题的算法，在无监督和监督学习模式下，通过约束其中一层直接输出二进制哈希码并融入独立性、均衡性和相似性：在学习过程中同时提取视觉特征和生成二进制哈希码，并通过交替优化和谨慎的放松来解决优化中的难点，实验表明本文提出的方法在基准数据集上表现优异。
Dec, 2017
本文提出了一种自适应编码驱动图方法，通过自动编码器上下文解码更新图以及引入双瓶颈机制交换信息，建立了更为高效的图并优化了编码器，实验结果表明其超越了现有的哈希方法。
Feb, 2020
本文介绍了一种灵活而简单的框架，该框架可以容纳不同类型的损失函数和哈希函数，并可将现有方法放在上下文中，并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架，其中前一步通常可以被表述为二次问题，而后一步则可以用训练标准的二元分类器来完成。实验表明，我们的方法在高维数据上比大多数最先进的方法表现显著优越。
Aug, 2014
本文提出了一种新颖的无监督视频哈希框架 Self-Supervised Video Hashing (SSVH)，通过设计编码器 - 解码器体系结构以及使用二进制自动编码器来捕获视频序列的时间性质，将视频嵌入二进制代码并赋予其准确的视频检索能力，通过 FCVID 和 YFCC 两个真实数据集上的实验表明，我们的 SSVH 方法可以显著优于现有技术并在无监督视频检索任务上达到最佳性能。
Feb, 2018
本文通过将标签信息纳入模型的训练，将原始的自动编码双瓶颈哈希模型推广为一种有监督的深度哈希网络，着重考虑多标签数据集中的类不平衡问题，并在三个数据集上进行实验，取得了显著的提高。
Jun, 2023
介绍了一种基于离散隐变量 VAE 的成对损失函数，通过使用无偏的低方差梯度估计器，优化网络并获得了良好的性能
May, 2020
本文提出了一种新颖的框架，其中功能聚合和哈希同时设计并联合优化，目的是生成更具区分度的二进制哈希码从而提高图像的检索精度。同时，我们还提出了一个快速版本的二进制自编码器用于我们的提出的框架中。在多个基准数据集上进行的广泛检索实验表明，所提出的框架显著改善了最先进技术水平。
Apr, 2017
本文针对图像检索任务，提出一种从图像到二进制码的压缩映射方法，使用三元组损失函数进行训练，并通过多标签分类问题和深度卷积神经网络实现高维二进制码的学习，从而实现高效的图像检索。
Mar, 2016
这篇论文提出了一种深度网络模型和学习算法，用于无监督和监督二进制哈希，通过约束单个隐藏层直接输出二进制代码，并在学习中严格考虑独立性和平衡性，以及相似性保持属性，从而在三个基准数据集上比先前方法表现更佳。
Jul, 2016
本文提出一种基于深度学习的监督离散哈希算法，利用分类信息和成对标签信息在单流框架中学习哈希码，并通过交替最小化方法进行优化，实验结果表明该方法在基准数据集上优于当前最先进的方法。
May, 2017