本文针对 Apple 的深度感知哈希系统 NeuralHash 进行了首次全面的实证分析，结果表明当前深度感知哈希并不够强壮，容易被攻击，因此从隐私角度出发一般不适合用于客户端扫描。

Nov, 2021

本文提出一种新的算法，该算法同时执行特征工程和非线性监督哈希函数学习，使用预训练和指数哈希损失函数，实现了有效的梯度计算和传播，并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明，我们的算法明显优于所有现有的最先进的竞争对手，特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。

Aug, 2016

通过对普遍应用的三种主要感知哈希算法 ——PhotoDNA、PDQ 和 NeuralHash 的比较，并评估它们在正常图像编辑攻击、恶意对抗攻击和哈希逆转攻击等三种典型攻击下的鲁棒性，揭示了这些感知哈希算法在存在真实约束条件下显示出对黑箱对抗攻击的弹性，并且可以通过哈希位重新构建原始图像，从而引发了重大的隐私问题。通过全面揭示其安全漏洞，本文为增强感知哈希算法的安全性以实现有效的部署作出了贡献。

Jun, 2024

HashNet 是一种基于连续化方法具有收敛保证的新型深度学习哈希结构，它从不平衡的相似性数据中学习准确的二进制哈希码，在标准测试中可产生最先进的多媒体检索性能。

Feb, 2017

本文提出一种新型神经网络模型 NASH，用于信息检索中的语义哈希，利用伯努利潜变量处理二进制约束。采用神经变分推理框架进行训练，直接通过离散潜变量反向传播梯度以优化哈希函数。结合率失真理论，本文进行了理论分析，通过在三个公开数据集上的实验验证其有效性。结果表明，在无监督和监督方案下，我们的方法显著优于几种最新的模型。

May, 2018

本文提出了一种高效无监督的方案，通过设计三个标准以限制敌对空间，从而在深度哈希算法供应链的漏洞下识别出混淆攻击，并在实时图像查询中获得 2-23% 的检测率提高。

Apr, 2023

本文提出了一种利用深度神经网络实现对时尚库存图像进行语义哈希的方案，并使用哈密尔顿距离度量实现对时尚库存的图像检索。经实验验证，这种方案相对于现有的深度 Cauchy 哈希方法，可取得更好的平均精度。

Jun, 2019

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

本研究提出了 HashedNets 这一新型网络结构，在使用深度学习技术进行移动设备应用时，可以通过哈希函数来分组并共享连接权重参数，进而大幅缩小神经网络所需的存储空间，而不会明显影响其泛化性能。

Apr, 2015

通过研究神经网络的性质，提出了基于神经网络的低成本身份验证方法，用于身份验证图像或视频，以检测它们是否被恶意修改

Jul, 2007