多视角异构数据的哈希表示学习是提高多媒体检索准确性的关键，现有方法利用局部相似性，并未充分融合多视角特征，导致检索准确性较差。本文提出了一种新颖的中心相似性多视图哈希 (CSMVH) 方法来解决这些问题，采用中心相似性学习来解决局部相似性问题，能够利用哈希中心和样本之间的全局相似性。丰富的实证数据表明，基于门控融合的方法优于常规方法。在 MS COCO 和 NUS-WIDE 数据集上，所提出的 CSMVH 方法的性能比现有方法大幅提高（平均精确度（mAP）提高高达 11.41%）。

Aug, 2023

该研究提出了一种深度度量多视角哈希（DMMVH）方法，通过门控融合方法来捕捉多个视角之间的相互作用，并利用深度度量学习来利用不相似样本的度量信息，该方法在多个数据集上的表现优于目前已有的同类研究.

Apr, 2023

本文中提出了一种结合多视角和深度学习的、能够显著提高哈希检索性能的新型多视角哈希模型，该模型在 CIFAR-10、NUS-WIDE 和 MS-COCO 数据集上系统地评估，结果表明本方法明显优于现有的单视角和多视角哈希方法。

Feb, 2020

本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

May, 2022

提出了一种名为 ICMVC 的新型不完整对比多视图聚类方法，主要解决不完整多视图数据聚类中的缺失值问题，并通过多视图一致性关系转移、图卷积网络、实例级注意力融合、高置信度引导和对比学习实现了完整多视图表示和聚类分配的联合优化。实验证明了该方法的有效性和优越性。

Dec, 2023

本文介绍了一种新型的多视图检测器，MVDeTr，并使用新的视觉一致性的数据增强方法，以及采用阴影变换技术来聚合多视图信息，提取目标特征，超过了现有最佳方法，能更准确地进行多视图检测。

Aug, 2021

该论文提出了一种基于几何一致性的多尺度引导的多视角立体方法，其中利用结构化区域信息采样更好的候选假设，进而推断每个像素的聚合视图子集，以及将 ACMH 与多尺度几何一致性指导（ACMM）相结合，以便在粗略尺度上获取低纹理区域的可靠深度估计并保证它们可以传播到更细的尺度。

Apr, 2019

提出了一种新的多视角分类方法：可信的多视角分类，该算法动态集成不同视图的证据，以提高分类的可靠性和鲁棒性，通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合，构建统一框架来感知和评估样本的分类不确定性。

Feb, 2021

本文提出一种深度多视角聚类 (Multi-view Clustering) 框架，将数据恢复和对齐融合在一个层次一致的方式中，通过最大化不同视角之间的互信息，并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明，我们的方法在多视角聚类中显著优于现有方法，即使在视角缺失和不对齐的情况下也是如此。

Oct, 2023

本文提出了一种可学习参数的多视角哈希方法，用于在大规模遥感数据集中检索查询图像。通过在视图特定低维子空间中学习一致的紧凑码，并添加一个可学习的超参数模块来验证该方法的有效性。在三个遥感数据集上进行的大量实验表明，与七种最先进的方法相比，该方法可实现竞争性结果。

Apr, 2023