本研究提出了一种基于深度卷积神经网络实现的、有监督且压缩的、结构化二进制编码的方法。通过使用块 softmax 非线性和基于批次的熵损失，本方法可以使学习到的编码具有结构性，并在单一和交叉领域分类、实例检索和类别检索等任务中，表现出比基于深度哈希或结构化量化的现有压缩表示更好的性能。

Aug, 2017

提出了 “自我监督产品量化（SPQ）” 网络，它是一个无需标签、自我监督的深度学习图像检索方法，通过比较转换后的图像（视图）来学习深度视觉描述符和码字，分析图像的内容提取其描述性特征，实现准确的图像检索，实验表明在基准测试中得到了业内领先的结果，即使在没有有监督预训练的情况下。

Sep, 2021

本文提出了一种新的复合相关量化（CCQ）模型，通过最大化相关性的映射，将不同模态嵌入到连续的同构空间中，并同时学习复合量化器，将同构潜在特征转换为紧凑的二进制码，以实现高效的相似性检索。实验证明，CCQ 模型优于现有的哈希方法，可用于单模态和跨模态检索。

Apr, 2015

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

通过深度学习和哈希编码来建立高效、有效的图像检索的解决方案，我们提出了 Deep Triplet Quantization（DTQ）方法来学习深度量化模型，并在三个基准数据集 NUS-WIDE、CIFAR-10 和 MS-COCO 上获得了表现优秀的图像检索结果。

Feb, 2019

提出了 TransClippedCLR 模型，通过编码图像的全局上下文和局部上下文，使用产品量化生成哈希码，并通过剪切对比学习避免潜在的错误负对，实现了在基准数据集（包括 CIFAR10、NUS-Wide 和 Flickr25K）上无监督图像检索的卓越性能，相较于最新的深度模型，在所有数据集上使用所提出的剪切对比学习相比于使用相同基础网络的普通对比学习，取得了显著的改善。

Jan, 2024

本研究提出了用于跨视图视频检索的混合对比量化（HCQ）方法，该方法通过引入 transformers 来学习粗粒度和细粒度量化，并在跨视图的多个细粒度层次上进行不对称量化对比学习（AQ-CL）以对齐文本和视频。 HCQ 方法在存储和计算方面表现出高效率，并展示了与最先进的非压缩检索方法相当的性能。

Feb, 2022

本文提出了一种压缩编码方法 —— 监督量化，该方法同时学习特征选择，将数据库点线性转换为低维判别子空间，并在转换空间中对数据点进行量化，使其不仅准确逼近转换点，而且在语义上是可分离的，该方法在几个标准数据集上的实验证明了其优于最先进的监督哈希和无监督量化算法。

Feb, 2019

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