提出了一种基于熵的相似度模型，利用此模型提出了基于传输和运动模拟产生的标量和矢量数据相似性评估的物理意义的基准距离；此外，还提出了一个多尺度 CNN 架构用于计算体积相似度度量（VolSiM），该学习方法的提出是首次特别针对高维模拟数据相似性评估所面临的挑战；最后，评估了 VolSiM 的鲁棒性和概括性，并对其应用进行了实例讨论。

Feb, 2022

该研究论文通过对基于 ViT 的特征提取器集合的先进感知相似度度量的鲁棒性进行敏感性分析，提出了名为 LipSim（Lipschitz 相似度度量）的可靠感知相似度度量方法，并通过一系列实验证明了 LipSim 在自然分数、认证分数和图像检索应用方面的性能。

Oct, 2023

通过加权最小二乘问题和嵌入空间，构建了一种感知嵌入方法，用于图像质量评估和感知任务，与深度学习特征方法有竞争力，并且计算成本相似。

Oct, 2023

本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

Jul, 2014

本文提出了一个全新的知觉度量标准 DreamSim，通过人类相似度判断数据集的研究得出，该标准可以全面评估图片的相似性，更关注于前景物体和语义内容及对颜色和布局敏感，并且具有很好的一般性能。

Jun, 2023

本研究结合时间序列建模和度量学习，使用连锁循环神经网络（SRNs）学习相似度度量，具有很强的相似度预测能力，尤其在少样本学习场景下表现优异，可用于识别任务，如签名、语音和手语识别等。

Mar, 2016

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

通过采用深度感知相似度测量（DeePSiM）来代替在图像空间中计算距离，我们的研究表明，此类损失函数能够更好地反映图像的感知相似度，从而减少图像平滑问题，并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。

Feb, 2016

图像到图像的转换在医学影像领域具有巨大影响，本研究介绍了用于图像合成评估的参考和非参考度量标准，并调查了九种需要参考的度量标准（SSIM、MS-SSIM、PSNR、MSE、NMSE、MAE、LPIPS、NMI 和 PCC）以及三种非参考度量标准（BLUR、MSN 和 MNG）对来自 BraSyn 数据集的 MR 图像的 11 种扭曲的检测能力。此外，还测试了下游分割度量标准和三种归一化方法（Minmax、cMinMax 和 Zscore）的影响。通过合理选择和结合图像相似性度量标准，可以改进用于 MR 图像合成的生成模型的训练和选择，在高成本的经过训练的放射科医生评估之前可以验证其输出的许多方面。

May, 2024

本文研究了存在偏差误差的图像对于现有视觉相似度测量标准的影响，并且开发了一种可以容忍图像偏移误差的相似度测量标准。通过探究神经网络元素的不同，本文开发了一种新型深度神经网络基础的视觉相似度测量标准，实验结果表明其能够容忍难以感知的偏移误差，同时与人类相似度判断一致。

Jul, 2022