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

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

本文提出了一种深度哈希目标攻击方法 (DHTA)，通过点集优化将对抗样本哈希码的平均距离最小化来攻击具有目标标签的对象的哈希，并提出了一种新的组件投票方案来获得锚码作为目标标签对象的哈希码集合的代表，以在某些限制条件下，平衡性能和可感知性。实验表明，DHTA 对深度哈希模型的图像和视频检索均有效。

Apr, 2020

本文中提出了一个使用生成式方法构建的新型原型监督式对抗网络（ProS-GAN），用于攻击深度哈希网络，得到更好的攻击性能和可转移性。

May, 2021

本文提出一种中心引导的对抗训练方法 (CgAT), 通过最糟糕的对抗样本来提高深度哈希网络的鲁棒性，从而防御深度哈希检索的对抗攻击。

Apr, 2022

通过对 PGD 攻击下的深度表示的实证分析，我们发现攻击会导致内部表示向 “误分类” 类别移动。基于此观察，我们提出了使用度量学习来规范攻击下的表示空间，从而产生更强健的分类器。通过精心抽样度量学习实例，我们的学习表示不仅提高了鲁棒性，还可以检测先前未见过的对抗性样本。量化实验表明，相对于以前的工作，我们的方法使得鲁棒性准确度提高了 4％，检测效率提高了 6％。

Sep, 2019

本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

Apr, 2018

通过构建语义代表以及生成对抗样本的方式来提高深度哈希模型的对抗性鲁棒性，进而在大规模图像检索系统中得到更可靠的检索结果。

Oct, 2023

提出了一种查询自适应的深度加权哈希方法（QaDWH），通过加权汉明距离，可以对不同查询进行细粒度排名的细节图像检索方法，并在四个广泛使用的数据集上展示了其超越八个现有最先进哈希方法的实验结果。

Dec, 2016

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