本文提出了一个特征鲜明的 Image copy detection（图片复制检测）基准测试集，包括添加了具有强扰动性的 hard negative queries，作者进一步阐述了度量学习和 ICD 之间的对称 - 非对称的冲突，并提出了一种新的学习方法：Asymmetrical-Similarity Learning (ASL)，该方法不同于以往度量学习采用的对称距离，它允许两个方向上的相似度（查询图片 <-> 参考图片）彼此不同。ASL 的实验结果表明其在硬负样本图像复制检测上的性能明显优于同类方法。

May, 2022

该研究介绍了一个视频复制检测和定位的数据集、基准和挑战，该基准旨在评估方法，模拟真实场景，并提出了一个同时反映检测和定位精度的度量标准。相关的挑战包括两个对应的跟踪器，通过实现代码可供评估和基线，并公开了数据集、基线方法和评估代码，将在专门的 CVPR’23 研讨会上讨论。

Jun, 2023

该论文提出了一种基于内省的深层度量学习框架，用于对图像进行不确定性感知的比较，该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度，并使用内省相似性度量来进行图像的相似度比较，取得了在图像检索和分类任务中的最先进性能。

May, 2022

本文提出基于 GeneCIS 基准的零样本评估，旨在衡量模型适应一系列相似性条件的能力，并提出了一种基于现有图像 - 标题数据集自动获取信息的简单可扩展的解决方案，实验结果表明我们的模型在 GeneCIS 上表现出色，并进一步提高了相关图像检索基准的零样本性能，实际上，尽管是零样本评估，我们的模型超过了 MIT-States 上最先进的监督模型。

Jun, 2023

数字鉴证中，检测多媒体数据操纵的能力至关重要。我们提出了一个新的具有高质量注释的两个子集的具有挑战性的图像操纵检测基准数据集，同时基于 HRNet 提出了一个新的双分支网络模型，能在挑战条件下更好地检测图像编辑和压缩伪影。我们的模型在该基准数据集上的大量实验证明其在图像操纵检测方面明显优于目前最先进的方法。

Nov, 2023

本研究提出了一种多分支检索方法，通过组合全局描述符和局部描述符来应对大规模数据以及图像复制攻击的挑战，其中包括丰富的数据增强和自监督学习等优化策略，并引入了鲁棒性较强的 SIFT 特征和 GPU Faiss 进行局部检索，在使用 KNN 匹配算法来判断匹配和合并分数时，我们展示了一些我们方法的消融实验，揭示了全局和局部特征的互补优势。

Dec, 2021

我们提出了一个标准化的基准训练数据集，用于图像拼接、复制移动伪造、去除伪造和图像增强伪造的 IMDL 任务，并对现有 IMDL 数据集的问题进行了修改。我们还在我们提出的 TrainFors1 数据集上对最先进的 IMDL 方法进行了训练，以公平评估并报告了这些方法在类似条件下的实际性能。

Aug, 2023

该论文提出一种新的大规模基准数据集 SPair-71k 用于在计算机视觉领域解决语义对应问题，其中包含大量变化视角和尺度的图像，从而为解决语义对应问题提供了可靠的测试基础和促进此领域的进一步发展。

Aug, 2019

该研究介绍了一个艺术品领域的大规模实例级别识别数据集，包含了许多具有挑战性的问题，同时结合了自监督和监督对比学习来训练骨干网络进行非参数分类，该数据集可用于鼓励探索不同领域上的领域独立方法。

Feb, 2022

本文研究图像检索基准测试中的问题，特别是注释错误、数据集大小和难度水平等方面，并创建了新的数据集注释，引入了三个不同难度的协议以公平地比较不同方法，在新基准测试中进行了先进方法的广泛比较。

Mar, 2018