通过使用随机卷积来学习图像的固有几何结构，并依靠 Modality Agnostic Distance (MAD) 作为深度图像距离测度，我们展示了 MAD 不仅能够成功地进行多模态图像仿射配准，而且还具有比传统测度（如互信息和归一化梯度场）更大的拍摄范围。

Sep, 2023

本文针对高维低样本量情况下聚类算法性能下降的问题，介绍了一种基于云图的 MADD 差异度量方法，并证明了其在高维数据聚类上的有效性；根据理论和实验结果，比较了多种算法及其聚类效果评估方法，发现在使用 MADD 代替欧氏距离时，已有算法的表现得到提升。同时，作者提出了一种基于罚函数 Dunn 指数的新的聚类数目估计方法，在固定样本数量、维数增加的情况下使方法相对于样本数更稳定。最后，研究运用了多组真实和模拟数据集来证明 MADD 方法对高维数据聚类分析中的重要性。

Dec, 2016

本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

Nov, 2015

本文旨在提出一个测量自动驾驶仿真图像贴近真实性的方法，并验证了该方法的适用性。

Jun, 2023

通过加权最小二乘问题和嵌入空间，构建了一种感知嵌入方法，用于图像质量评估和感知任务，与深度学习特征方法有竞争力，并且计算成本相似。

Oct, 2023

当训练数据集由 1:1 的狗和猫比例组成时，生成模型会更好地符合训练种群分布，而不是由 3:1 的狗和猫比例组成的其他模型。我们提出了一个新的评估协议来衡量生成的图像集与训练集在属性强度分布方面的差异。我们的指标为生成模型的评估奠定了基础。

Oct, 2023

基于等级方法定义多视图数据分布的成熟度感知分解的主动学习方法 (MADBAL) 在像素级的语义分割中具有显著的性能提升，减轻了训练负担，通过包括不确定性检测模块来感知特征成熟度并持续影响不确定性检测，验证实验证明了其在 Cityscapes 和 PASCAL VOC 数据集上优于现有方法。

Aug, 2023

提出了一种称为 CLGD 的新型距离度量，它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度，并证明其在各种优化和无监督学习任务，包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。

Jun, 2023

我们提出了一种度量学习方法和对抗学习相结合的方法（M-ADDA）用于无监督领域自适应，M-ADDA 在提取源和目标数据集的特征时使用了类似 ADDA 的结构，同时优化了一种鼓励目标数据嵌入形成聚类的新损失函数，其中表明在 MNIST 和 USPS 的数字自适应数据集上 M-ADDA 表现显著优于 ADDA，这表明使用度量学习的领域自适应可以大幅提高领域自适应任务的分类准确性。

Jul, 2018

通过深度学习和基于多集合的方法对图像进行分割，深度学习方法展示了其优势，并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。

Jul, 2023