本文介绍了一个大规模图像相似性检测的新基准（ISC2021），目的是检测查询图像是否是参考样本集（大小为 1 百万） 中任何图像的修改副本，并提供了各种图像变换以模拟出现在社交媒体中的实际问题，以便解决有关虚假信息和不良内容的完整性问题，并根据一组基线方法的性能来校准其难度，预计该基准将促进图像拷贝检测。

Jun, 2021

这篇研究论文提出了一种基于弱监督条件相似性学习（WS-CSL）的新型评估准则，结合 Distance Induced Semantic Condition Verification Network (DiscoverNet) 用于图像语义比较，全面覆盖潜在语义以达到最先进的性能。

Apr, 2022

提出一种联合学习多个相似性条件的表示及其贡献的潜变量的方法，能够有效地处理图片比较问题并兼顾泛化能力。

Aug, 2019

介绍了一种改进的对比表示学习框架 CyCLIP，通过显式对图像和文本空间的几何一致性进行优化，提高了模型的一致性和表现在零样本分类和分布不变性方面。在标准基准测试中，与 CLIP 相比，零样本分类准确率和对自然分布变化的鲁棒性分别提高了 10%-24% 和 10%-27%。

May, 2022

研究了 CNN 在视觉地点识别中的应用，提出了一种基于图像相似度的广义对比损失功能（GCL）函数，用于训练 Siamese CNN 并使用改进的注释来实现自动注释和视觉地点识别，实验证明 CNN 在这方面的效果优于目前主流的方法。

Mar, 2021

通过分析得分模型，本研究发现生成分子过程中的得分模型在起始时类似恢复势能，在最后则类似量子力学力，两者之间表现出特殊性质以便生成较大的分子。基于训练出的模型，本研究提出了一种新的零样本分子生成方法 —— 基于相似性的分子生成（SiMGen），该方法结合了时间相关的相似性核和预训练的机器学习力场描述符，能够实现不进行进一步训练的分子生成，并通过点云先验实现对分子形状的完全控制，并支持条件生成。研究者还发布了一个交互式网络工具，使用户能够在线使用 SiMGen 生成结构。

Feb, 2024

本篇论文提出了一种称为 “条件相似性网络” 的方法，用于学习分离式嵌入，不同的相似性概念被编码在不同的语义子空间，并用于解决多个不同相似性概念的问题。

Mar, 2016

本文通过使用图神经网络测量场景图的相似度，提出了一种基于场景图相似度的图像检索方法，并使用人工注释的标题计算图片相关性测量来训练图神经网络，收集了一个数据集用于评估检索算法，并显示我们的方法比竞争方法更符合人类对图像相似性的感知。

Dec, 2020

本研究使用多种类别的条件生成模型推断真实数据的类别标签，并使用分类器在真实数据上进行标签预测，提出了分类准确度评分（CAS）作为新的模型评价指标。实验证明基于自注意力模型的生成模型在 CAS 上显著优于反卷积生成对抗网络模型。

May, 2019

利用 Contrastive Language-Image Pre-training (CLIP) 和 hard negative classification loss，在少数据环境下通过 Re-scoring using Image-language Similarity for Few-shot object detection (RISF) 方法提升了 few-shot 目标检测性能。

Nov, 2023