介绍了在视觉检索系统中，从传统模型更新到新模型需要重新计算所有图片嵌入，所以引入兼容性训练（BCT）的方法，并提出了 Adversarial Backward-Compatible Training（AdvBCT）方法进行对比实验，表明其在兼容性和辨别性方面均优于其他 BCT 方法。

May, 2023

提出了一种名为 “backward-compatible training (BCT)” 的框架来训练嵌入模型，它可使不同维度和架构、通过不同损失函数学习的视觉特征具有兼容性，从而实现新计算机制与旧计算机制之间的互换，使视觉搜索系统能够跳过计算所有以前看到的图像的新功能。

Mar, 2020

本文提出了一种名为 “Cross-modal BT (XBT)” 的方法，通过引入一个经过预训练的投影模块来解决视觉 - 语言预训练模型（如 CLIP）的向后兼容问题，有效降低了跨模态训练所需的图像 - 文本对数量并提高了效率，实验结果显示 XBT 的有效性及其在新 VLP 模型出现时实现无需回填的升级的潜力。

May, 2024

本文研究了嵌入式版本更新及其向后兼容性问题，并提出了基于学习向后兼容嵌入式的解决方案 BC-Aligner，成功解决了更新嵌入式版本但不需要重新训练消费者模型的问题。

Jun, 2022

我们提出了具备向后兼容性的一种连续学习人员重识别模型，通过引入跨模型兼容性损失和知识整合方法，实现在连续到来的数据集上训练模型时对先前训练的旧模型的向后兼容性。实验结果表明，与现有方法相比，所提出的方法在向后兼容性方面取得了显着提高的性能，是更实际的人员重识别领域的有希望的工具。

Mar, 2024

本文介绍了一种名为学习兼容嵌入（LCE）的框架，通过直接或通过转换将模型之间的类中心对齐，并限制新模型更紧凑的内部类分布来实现交叉模型兼容性和向前 / 向后兼容性训练。在实验中，LCE 有效地实现了模型兼容性，并取得了较高的准确性。

Aug, 2021

本研究提出一种统一的表示学习框架，解决了在视觉搜索应用中交叉模型兼容性（CMC）问题，通过引入轻量级的 RBT 模块和新的训练方案来优化嵌入空间，该方案在各种具有挑战性的视觉搜索情景下，包括面部识别和个人重新识别，均优于先前的方法。

Aug, 2020

介绍了一种 Regression-Alleviating Compatible Training（RACT）方法，通过利用兼容性训练和有效的反填策略来解决热刷新模型升级中的回归问题，有效缩短了用户体验的改进时间。

Jan, 2022

通过使用交叉存储器（XBM）来记忆先前迭代计算的图像特征，本文提出了一种简单有效的深层度量学习（DML）框架，以提高图像检索的性能。实验表明，使用本文提出的 XBM 可以在三个大规模图像数据集上取得比现有最先进方法更好的效果。

Dec, 2019

本文介绍了一种基于 continual learning 方法的视觉搜索模型，它可以不断更新模型以处理增量式的图库集，同时不会影响模型的特征空间并且可以适用于新的图像类别。

May, 2022