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

本文提出了一种基于数据增强的哈希检索方法，通过自我蒸馏来最小化哈希码与原始特征之间的差异，引入基于哈希代理的相似度学习和二元交叉熵损失来提供优质哈希码，构建了一个深度哈希框架，实现了目前最先进的检索结果。

Dec, 2021

本文提出了 Deep Spherical Quantization（DSQ）方法，通过多码本量化，使深度卷积神经网络生成监督和紧凑的二进制代码以实现高效图像搜索，并经过大量实验证明，DSQ 及其稀疏变体能以优于许多最先进的图像检索方法的形式生成语义可分的紧凑二进制代码。

Jun, 2019

本文提出一种基于三元组的深度哈希网络（TDH），用于跨模态检索，并在哈希空间中引入图形正则化，以保留哈希码的原始语义相似性，实验结果表明，我们提出的方法优于几种现有的交叉模态数据集上的最新方法。

Apr, 2019

本文提出了一种基于三元组标签的深度哈希方法，通过最大化给定三元组标签的可能性，同时实现图像特征学习和哈希码学习，相比于传统哈希方法和基于成对标签的深度哈希方法 (DPSH), 在 CIFAR-10 和 NUS-WIDE 数据集上实现了更好的性能。

Dec, 2016

该论文介绍了一种用于大规模图像检索的深度渐进量化模型，该模型学习逐步逼近视觉特征的量化码，并且可以同时训练不同码长的量化码，实现了优于现有技术的图像检索效果。

Jun, 2019

本文提出了一种共享预测深度量化（SPDQ）模型，通过嵌入到重现核希尔伯特空间中同时学习共享子空间和两个私有子空间的表示，以进行不同模态之间的最近邻搜索，并在标签对齐的帮助下实现语义保留。实验结果显示，该模型在两个流行的基准测试中优于现有的基准方法。

Apr, 2019

通过提出一种替代的量化策略，该论文通过在嵌入空间上进行相似性学习，并采用正交变换优化嵌入的每个坐标，然后通过符号函数将转换后的嵌入量化为二进制，从而提高了大规模图像相似性搜索的性能。

Nov, 2023

本文提出了一种新颖的无监督深度量化方法，名为具有代码内存的对比量化（MeCoQ），该方法通过对比学习学习无监督二进制描述符，可以更好地捕获有区别的视觉语义并避免模型退化。实验结果显示，该方法在基准数据集上优于现有最先进的方法。

Sep, 2021

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