本文提出一种自监督的对抗哈希（SSAH）方法，利用两个对抗网络和自监督语义网络，最大化不同模态之间的语义相关性和一致性，并在三个基准数据集上验证了其优越性。

Apr, 2018

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

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

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

通过自适应的困难对抗样本挖掘，HAM 提出一种直接而有效的方法来改进深度神经网络对于对抗性例子的鲁棒性和公平性，减少计算成本。

Aug, 2023

通过改进的 Adversarial Training 算法 SMAAT，本研究提供了 vision 和 language 模型在 generalization 和 robustness 趋势差异的首个解释，同时展示了 SMAAT 在多个任务中显著提高了鲁棒性，且相比于标准的 AT 仅需约 25-33% 的 GPU 时间。

May, 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

本研究旨在解决医学影像分析任务中现有标准对抗训练方法中的问题，提出了一种生成适应性噪声的自适应边界对抗训练（AMAT）方法，改进了深度神经网络（DNNs）的鲁棒性，提高了模型的稳健性。

Jun, 2022

本文提出了一种简单而有效的有监督深度哈希方法，构建了来自标记数据的二进制哈希代码，用于大规模图像搜索，在此基础上，哈希函数作为深度网络中的一个潜在层得到构建，最小化分类错误和其他理想哈希代码属性上的目标函数，以实现联合学习的图像表示，哈希代码和分类，从而可应用于大规模数据集。

Jul, 2015