该论文引入了第一个像素检索基准，通过标注相关像素可以显著提高用户体验，并且提出了基于 ROxford 和 RParis 数据集的 PROxford 和 PRParis 像素检索基准，通过实验证明像素检索任务具有挑战性并且与现有问题有区别。

Sep, 2023

本文介绍了 Diffusion Hyperfeatures 框架，该框架用于将多尺度和多时间步长的特征图聚合成每像素特征描述符，可以用于图像生成和反推过程，该框架在语义关键点对应任务中表现出优秀的性能，并且具有灵活的可转移性。

May, 2023

提出了一种新的扩散技术，将扩散结果预先计算并应用于数据库中的每个元素，以优化在线搜索性能，并采用 late truncation 方法改善检索效果。

Nov, 2018

我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH）的哈希技术确保了快速高效的图像检索，评估结果显示了图像哈希方法的新进展，提高了检索准确性。

Apr, 2024

利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

Mar, 2024

本研究提出了一种基于超像素的图像匹配算法，利用卷积神经网络中的早期到后期的相关特征，结合 Hough 几何投票算法，能够有效地处理大量图像，并在多个标准基准测试中创造新的记录。

Aug, 2019

该论文提出了一种创新的方法来增强可解释的图像检索，特别是在没有微调集的情况下。我们将空间模型替换为拓扑模型，并引入了生物启发的扫视和中央凹函数来验证特征之间的拓扑一致性，从而解决了现有方法的局限性。实验结果显示，我们的方法在非微调检索中显著优于已有方法，并且与微调特征结合使用时可提升性能。重要的是，我们的方法保持了高可解释性，同时具有轻量化的特点，适用于各种实际应用。

Oct, 2023

通过使用大规模检索方法（尤其是高效的 k - 最近邻），我们提出了一种小型高效的文本到图像扩散模型，该模型不需要文本，并且可以在保持对象身份的同时执行基于文本驱动的局部语义操作。我们的方法在多个数据集上实现了最先进的结果，并且与使用仅图像而没有配对文本数据进行文本到图像生成模型训练的现有方法相比，在人类研究和自动指标方面都取得了最先进的结果。

Apr, 2022

本研究介绍了一种新的无监督高光谱图像聚类算法，名为 S2DL（基于超像素和空间正则化扩散学习），它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素，并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远，被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后，对每个超像素内分配的标签进行多数投票，将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证，即 Indian Pines，Salinas 和 Salinas A。此外，我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功，表明其在各种重要的无监督遥感分析任务上具有高效性。

Dec, 2023

本研究提出了一种新颖的基于结构图的不确定性物体检测框架，使用图神经网络和语义空间相似性来考虑物体之间的关系，实验结果表明该框架在提高不确定物体检测准确性方面取得了显著效果。

Aug, 2022