该论文提出了一种基于内省的深层度量学习框架，用于对图像进行不确定性感知的比较，该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度，并使用内省相似性度量来进行图像的相似度比较，取得了在图像检索和分类任务中的最先进性能。
May, 2022
本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。
Aug, 2021
本文提出了一种新的深度可解释度度量学习方法 (DIML)，基于结构匹配策略和最优匹配流来弥补现有方法 (基于特征向量比较) 的缺点，实现了深度模型以更人性化的方式学习度量，将图像相似性分解为几个子相似性及其对整体相似性的影响，该方法适用于各种骨干网络和度量学习方法，并在三个深度度量学习基准测试中表现出了显著的改进，但不影响模型性能。
采用语言指导目标来进行视觉相似性学习，以更好地实现语义一致性并提升 Deep Metric Learning 的泛化能力。实验证明，语言指导方案可在各项基准测试中实现明显的模型无关性改善，并取得具有竞争力和最先进的结果。
Mar, 2022
本文提出了一种保持边界的度量学习框架，同时学习距离度量和潜在样本。该方法在处理大规模数据集时具有高效性，并且可以使学习的度量对数据不确定性具有鲁棒性，并且通过实验证明了该方法的有效性和高效性。
May, 2018
本文提出了一种新的由两个独立模型构成的度量学习结构 Guided Deep Metric Learning，通过使用 Few-Shot Learning 的角度来生成一个基于带标签数据的先验知识的减少的假设空间，之后通过离线的知识蒸馏方案来指导或规则化学生模型的决策边界，提高在分布偏移下的一般化，并获得了高达 40% 的 (Recall@1, CIFAR10) 改进。
Jun, 2022
本文提出了一种硬度感知的深度度量学习（HDML）框架，通过利用线性插值对嵌入空间进行自适应调整，生成相应的保留标签合成数据进行回收训练，以充分利用所有样本中 buried 的信息，从而使度量始终面对适当的困难程度。实验结果表明，本方法在 widely used 的 CUB-200-2011、Cars196 和 Stanford Online Products 数据集上表现出极具竞争力的性能。
Mar, 2019
我们提出了一种基于双曲空间的带不确定性度量学习的图像嵌入算法，通过广泛的实验验证了该算法在相关方法中达到了最新的成果，并通过全面的剖析研究验证了提出算法的每个组成部分的有效性。
Oct, 2023
本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。
Sep, 2019
本研究提出了一种基于自然语言的零样本度量学习方法，应用于图像检索系统中，使用自然语言控制图像表征属性，通过使用文本提示进行训练，并利用 CLIP 模型将文本提示嵌入到图像嵌入空间中，从而实现根据不同的相似度概念创建自定义嵌入空间的快速训练和易于使用的方法。实验结果表明，在仅使用自然语言进行训练的情况下，此方法性能优于强基线模型，接近于完全监督模型。
Nov, 2022