本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码，并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。

Dec, 2013

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

该论文已被作者撤回。

Mar, 2015

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

本论文提出了一种基于最小描述长度原则的生成式二元哈希学习方法，通过随机分布梯度基于优化哈希函数及关联生成模型的参数，以实现对海量数据库的快速搜索与检索。实验结果表明，该方法在多种大规模数据集上实现了比现有最先进方法更好的检索结果。

Jan, 2017

本文主要介绍了一种基于卷积神经网络的无监督哈希方法，它对于大规模图像检索任务具有较高的检索准确率。

Feb, 2017

本研究提出了一种互信息学习的哈希方法MIHash，可以在在线和批处理设置中使用，有效地减少哈希表重新计算并学习具有高质量的哈希函数，在2.5M图像数据集上取得了良好的表现。

Mar, 2017

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

该研究提出了一种新型的两阶段哈希方法，通过残差学习方案构建二进制码以适应任意区域结构，并且使用高容量哈希函数（如CNNs），可以在许多标准邻域定义中大大简化二进制代码推断，从而产生更强大的代码，该方法在广泛使用的图像检索基准测试中表现优异。

Aug, 2018

本文提出了一种Semantic-Aware DIscrete Hashing（SADIH）框架，旨在将转换后的语义信息直接嵌入到不对称相似度逼近和判别式哈希函数学习中，以克服监督哈希中全面保留对成对相似度的学习过程过于昂贵且无法扩展以处理大数据的问题。在多个大规模数据集上的实验结果表明，我们的SADIH可以明显优于最先进的基线，同时具有更低的计算成本。

Apr, 2019