MIHash: Online Hashing with Mutual Information
Boston University(波士顿大学)
基于学习的散列方法被广泛用于最近邻检索,最近,在线散列方法通过从流数据中学习散列函数,表现出良好的性能-复杂度权衡。在本文中,我们首先解决在线哈希的一个关键挑战:索引数据的二进制代码必须重新计算,以跟上哈希函数的更新。我们提出了一个有效的质量衡量哈希函数,基于信息理论的数量,互信息,并成功地使用它作为一个标准,以消除不必要的哈希表更新。接下来,我们还展示了如何使用随机梯度下降优化互信息目标。因此,我们开发了一种新的哈希方法,MIHash,可以在在线和批量设置中使用。图像检索基准(包括2.5M的图像数据集)的实验证实了我们的配方的有效性,无论是在减少哈希表重新计算和学习高质量的哈希函数。
2017-07-29 cs.CV
Correlation Hashing Network for Efficient Cross-Modal Retrieval
Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
散列算法广泛应用于大规模多模态检索的近似最近邻搜索,具有存储和计算效率高的特点。跨模态哈希通过利用不同模态之间的语义相关性来提高哈希编码的质量。现有的跨模态散列方法首先将数据转换为低维特征向量,然后通过另一个单独的量化步骤生成二进制代码。然而,由于量化误差没有被显式地最小化并且特征表示没有与二进制码联合优化,因此可能生成次优散列码。本文提出了一种跨模态散列的相关散列网络(CHN)方法,该方法联合学习适合于散列编码的良好数据表示,并形式化地控制量化误差。所提出的CHN是一种混合深度架构,其构成了用于学习良好图像表示的卷积神经网络、用于学习良好文本表示的多层感知、用于生成紧凑二进制代码的两个散列层以及将所有东西集成在一起以实现学习相似性保持和高质量散列代码的结构化最大边际损失。大量的实证研究表明,CHN产生的最先进的跨模态检索性能的标准基准。
2017-02-20 cs.CV
Projection and Quantisation: A Unifying View of Learning to Hash, from Random Projections to the RAG Era
Independent Researcher(独立研究者);London United Kingdom(伦敦英国)
提出投影-量化-组织(PQO)框架,统一理解从局部敏感哈希到深度哈希、乘积量化、图索引及向量数据库二进制嵌入的方法,并通过可复现实验揭示量化轴上的内存-质量权衡。
2026-06-16 cs.AI cs.CV cs.IR
HashNet: Deep Learning to Hash by Continuation
Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
学习哈希算法由于其计算效率和检索质量的优势,被广泛应用于大规模多媒体检索中的近似最近邻搜索。哈希的深度学习通过端到端的表示学习和哈希编码来提高检索质量,最近受到越来越多的关注。受制于符号激活优化中的不适定梯度困难,现有的哈希方法的深度学习需要首先学习连续表示,然后在单独的二进制化步骤中生成二进制哈希码,这会严重损失检索质量。这项工作提出了HashNet,一种新的深度架构,用于深度学习通过具有收敛保证的连续方法进行散列,它从不平衡的相似性数据中准确地学习二进制散列码。其关键思想是通过连续方法来解决优化具有非光滑二进制激活的深度网络中的不适定梯度问题,在该方法中,我们从学习具有平滑激活函数的更简单的网络开始,并让它在训练过程中进化,直到它最终回到原始的难以优化的具有符号激活函数的深度网络。综合经验证据表明,HashNet可以生成精确的二进制哈希码,并在标准基准测试中获得最先进的多媒体检索性能。
2017-07-29 cs.CV cs.LG
Zero-Shot Hashing via Transferring Supervised Knowledge
University of Electronic Science and Technology(电子科技大学);The University of Queensland(昆士兰大学)
散列在促进大规模多媒体应用方面显示出其效率和有效性。与数据相关联的监督知识(例如,语义标签或成对关系)能够显著提高散列码和散列函数的质量。然而,面对快速增长的新兴概念和多媒体数据在Web上,现有的监督哈希方法可能很容易受到监督信息的稀缺性和有效性,由于昂贵的人工标签的成本。在本文中,我们提出了一种新的散列方案,称为\emph{zero-shot hashing}(HASH),它压缩图像的“看不见的”类别的二进制代码与散列函数从有限的训练数据的“看到的”类别。具体来说,我们将独立的数据标签(即0/1形式的标签向量)投影到语义嵌入空间中,在语义嵌入空间中,所有标签之间的语义关系可以被精确地表征,从而可以将可见的监督知识转移到不可见的类。此外,为了应对语义转移问题,我们旋转嵌入空间,以更适当地对齐嵌入的语义与低级别的视觉特征空间,从而减轻语义差距的影响。同时,为了对学习高质量的哈希函数产生积极的影响,我们进一步提出了保持二进制码的局部结构特性和离散性。此外,我们开发了一个有效的交替算法来解决的WARTH模型。在各种真实数据集上进行的大量实验表明,与几种最先进的散列方法相比,该方法具有优越的zero-shot图像检索性能。
2016-06-16 cs.CV
STGV: Spatio-Temporal Hash Encoding for Gaussian-based Video Representation
College of Electronics and Information Engineering(电子与信息工程学院);College of Applied Technology(应用技术学院);School of Artificial Intelligence(人工智能学院);Research Center of Networks and Communications(网络与通信研究中心);Pengcheng Laboratory(鹏城实验室)
本文提出STGV框架,通过分解视频特征为可学习的2D空间和3D时间哈希编码,有效学习动态成分的运动模式并保持静态元素的细节,同时通过关键帧标准化初始化策略提高高斯表示的稳定性,实验显示其在视频表示质量及下游任务中表现更优。
2026-04-14 cs.CV
A Lower Bound of Hash Codes' Performance
University of Electronic Science and Technology of China(电子科技大学);Peng Cheng Laboratory(鹏城实验室)
作为紧凑表示学习的一种重要方法,散列算法在有效性和效率方面取得了巨大的成功。许多启发式汉明空间度量学习目标的设计,以获得高质量的哈希码。然而,学习好的哈希码的标准的理论分析仍然在很大程度上未被利用。本文证明了散列码的类间区分性和类内紧性决定了散列码的性能下限。提升这两个特性可以提升边界并改善哈希学习。然后,我们提出了一个代理模型,充分利用上述目标,估计后验的哈希码和控制它,这导致在一个低偏差的优化。大量的实验表明了该方法的有效性。通过对一系列散列模型的测试,我们得到了所有这些模型的性能改进,平均平均精度增加了$26.5\%$,准确性增加了$20.5\%$。我们的代码可在https://github.com/VL-Group/LBHash上公开获取。
2022-10-12 cs.CV
Deep Residual Hashing
Technische Universität München(慕尼黑工业大学);Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);IBM Almaden Research Center(IBM阿尔马登研究中心);Johns Hopkins University(约翰斯·霍普金斯大学)
散列算法的目标是生成高度紧凑的相似性保持码字,非常适合大规模的图像检索任务。大多数现有的哈希方法首先将图像编码为手工制作的特征向量,然后进行单独的二进制化步骤以生成哈希码。该两阶段过程可能产生次优编码。在本文中,我们首次提出了一种通过残差学习进行监督哈希的深度架构,称为深度残差哈希(DRH),用于端到端同时进行表示学习和哈希编码。DRH模型由四个关键元素组成:(1)具有多个堆叠的残差块的子网络;(2)用于二值化的哈希层;(3)基于邻域分量分析的监督检索损失函数,用于相似性保持嵌入;以及(4)哈希相关损失和正则化,以控制量化误差并提高哈希编码的质量。我们提出了一个大型的公共胸部X射线图像数据库与共病的广泛实验的结果,并讨论了结果显示出实质性的改进,最新的国家的最先进的方法。
2016-12-16 cs.CV
Learning Robust Hash Codes for Multiple Instance Image Retrieval
Technische Universität München(慕尼黑工业大学);IBM Almaden Research Center(IBM阿尔马登研究中心);Johns Hopkins University(约翰斯·霍普金斯大学)
在本文中,我们首次介绍了一种多实例(MI)深度哈希技术,用于学习具有弱袋级监督的判别哈希码,适用于大规模检索。我们通过一个专用的MI池层,在包成员之间聚合深入学习的分层表示来学习这种哈希码。为了更好的可训练性和检索质量,我们提出了一种双管齐下的方法,包括鲁棒优化和训练,并使用一个辅助的单实例散列臂,该散列臂逐渐下调。我们提出检索肿瘤评估作为一个MI问题,因为肿瘤往往与良性肿块共存,并可能表现出互补的签名时,从不同的解剖视图扫描。对基准乳腺X射线摄影和组织学数据集的实验验证表明,与最先进的方法相比,检索性能有所提高。
2017-03-16 cs.CV
Deep Priority Hashing
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心)
深度哈希通过从具有成对相似性信息的训练数据中端到端学习深度表示和哈希码来实现图像检索。受制于相似性信息下的分布偏度,大多数现有的深度散列方法可能由于错误指定的损失函数而对不平衡数据表现不佳。本文介绍了深度优先级哈希(DPH),这是一种端到端架构,可以在贝叶斯学习框架中生成紧凑且平衡的哈希码。其主要思想是重塑相似性保持学习的标准交叉熵损失,从而降低与高置信度对相关的损失。这个想法导致了一种新的优先级交叉熵损失,它优先考虑不确定对的训练,而不是置信对。此外,我们提出了另一种优先级量化损失,优先考虑难以识别的例子产生几乎无损的哈希码。大量的实验表明,DPH可以生成高质量的哈希码,并在ImageNet,NUS-WIDE和MS-COCO三个数据集上产生最先进的图像检索结果。
2018-09-04 cs.CV
ElasticHash: Semantic Image Similarity Search by Deep Hashing with Elasticsearch
University of Marburg(马尔堡大学)
提出ElasticHash,结合深度哈希与Elasticsearch的两阶段搜索,在OpenImages上实现高质量、低延迟的大规模图像相似性检索。
2023-05-08 cs.CV cs.MM
Hashing with Mutual Information
Boston University(波士顿大学)
二进制向量嵌入技术能够在高维对象的大型数据库中实现快速的最近邻检索,在图像和视频检索等实际应用中发挥着重要作用。我们研究了在监督设置下学习二进制向量嵌入的问题,也称为哈希。我们提出了一种新的监督哈希方法的基础上优化的信息理论量:互信息。我们表明,优化互信息可以减少在学习的汉明空间,这是必不可少的,在获得高检索性能的诱导邻域结构的歧义。为此,我们使用小批量随机梯度下降优化深度神经网络中的互信息,并使用最大限度地有效利用可用监督的公式。在包括ImageNet在内的四个图像检索基准上的实验证实了我们的方法在学习高质量二进制嵌入以进行最近邻检索方面的有效性。
2018-06-25 cs.CV
R2-Talker: Realistic Real-Time Talking Head Synthesis with Hash Grid Landmarks Encoding and Progressive Multilayer Conditioning
Mashang Consumer Finance Co., Ltd.(马上消费金融股份有限公司)
本文提出 R2-Talker,利用多分辨率哈希网格无损编码面部关键点并在 NeRF 各 MLP 层渐进融合条件特征,实现高真实感、实时且泛化性更好的说话头部合成。
2023-12-09 cs.CV
Deep Semantic Multimodal Hashing Network for Scalable Image-Text and Video-Text Retrievals
散列技术由于其计算和存储效率高的优点,被广泛应用于大规模多媒体数据的多模态检索。在这篇文章中,我们提出了一种新的深度语义多模态哈希网络(DSMHN)可扩展的图像-文本和视频-文本检索。提出的深度哈希框架利用2-D卷积神经网络(CNN)作为骨干网络来捕获用于图像-文本检索的空间信息,而3-D CNN作为骨干网络来捕获用于视频-文本检索的空间和时间信息。在DSMHN中,通过显式地保留模态间相似性和模态内语义标签来联合学习两组特定于模态的哈希函数。具体地说,假设学习的哈希码应该是分类任务的最佳值,两个流网络被联合训练,通过在所得哈希码上嵌入语义标签来学习哈希函数。此外,提出了一个统一的深度多模态散列框架,通过同时利用特征表示学习、模态间相似性保持学习、语义标签保持学习和具有不同类型损失函数的散列函数学习来学习紧凑且高质量的散列码。所提出的DSMHN方法是一种通用的和可扩展的深度哈希框架,用于图像-文本和视频-文本检索,可以灵活地与不同类型的损失函数集成。我们进行了广泛的实验,单模态和跨模态检索任务四个广泛使用的多模态检索数据集。在图像文本和视频文本检索任务上的实验结果表明,DSMHN显着优于国家的最先进的方法。
2022-01-05 cs.CV
SHOE: Supervised Hashing with Output Embeddings
University of Maryland(马里兰大学)
我们提出了一个监督的二进制编码方案的图像检索,学习投影考虑到从输出嵌入获得的类之间的相似性。我们的动机是,以这种方式学习的二进制哈希码提高了检索结果和现有监督哈希方案的视觉质量。我们采用了顺序贪婪优化,通过最小化二进制代码和输出嵌入向量的内积之间的差异来学习关系感知投影。我们开发了一个联合优化框架来学习预测,从而提高了监督哈希在标准和兄弟评估指标方面的准确性。我们通过在核化输入CNN特征上应用监督降维技术来进一步提高性能。实验在三个数据集上进行:CUB-2011,SUN-Attribute和ImageNet ILSVRC 2010。作为我们方法的副产品,我们表明,使用简单的k-nn池分类器和我们的判别码,可以在细粒度数据集(如CUB)上改进复杂的分类模型,并在CNN特征上提供令人印象深刻的1024压缩比。
2015-01-30 cs.CV
Grid4D: 4D Decomposed Hash Encoding for High-Fidelity Dynamic Gaussian Splatting
Nankai University(南开大学);Nanjing University(南京大学)
提出Grid4D动态场景渲染模型,通过4D分解哈希编码和方向注意力模块聚合时空特征,并引入平滑正则化项,显著提升了视觉质量和渲染速度。
2024-12-25 cs.CV
Dual Asymmetric Deep Hashing Learning
Hong Kong Polytechnic University(香港理工大学);University of Macau(澳门大学);Harbin Institute of Technology Shenzhen Graduate School(哈尔滨工业大学深圳研究生院)
由于令人印象深刻的学习能力,深度学习在监督哈希函数学习中取得了令人瞩目的表现。在本文中,我们提出了一种新的非对称监督深度哈希方法,以保持不同类别之间的语义结构,并同时生成二进制代码。具体而言,构建两个非对称深度网络,以根据其语义标签揭示每对图像之间的相似性。然后,通过最小化学习的特征和离散代码之间的差距,通过两个网络学习深度哈希函数。此外,由于Hamming空间中的二进制码也应该保持原空间中存在的语义相似性,因此引入了另一种非对称成对损失来捕获二进制码与实值特征之间的相似性。这种非对称损失不仅提高了检索性能,而且有助于在训练阶段快速收敛。利用两流深度结构和两类非对称成对函数,设计了一种交替算法,有效地优化深度特征和高质量二进制码。三个真实世界的数据集上的实验结果证实了我们的方法的有效性和优越性相比,国家的最先进的。
2018-01-25 cs.CV
Lagrangian Hashing for Compressed Neural Field Representations
Simon Fraser University(西蒙菲莎大学);University of Trento(特伦托大学);University of Toronto(多伦多大学);University of British Columbia(不列颠哥伦比亚大学);Google DeepMind(谷歌DeepMind)
本文提出 Lagrangian Hashing,将带影响场的特征点融入 InstantNGP 分层哈希表高分辨率层,并通过损失引导 Gaussian 移动到高需求区域,实现更紧凑且不损失质量的神经场信号重建。
2024-09-09 cs.CV
Deep Hash Distillation for Image Retrieval
Seoul National University(首尔国立大学);NAVER Vision(NAVER 视觉)
在基于散列的图像检索系统中,退化或变换的输入通常会产生与原始图像不同的编码,从而降低了检索的准确性。为了缓解这个问题,可以在训练期间应用数据增强。然而,即使图像的增强样本在真实特征空间中是相似的,量化也会将它们分散到汉明空间中很远的地方。这会导致表征差异,从而阻碍训练并降低性能。在这项工作中,我们提出了一种新的自蒸馏散列方案,以尽量减少差异,同时利用增强数据的潜力。通过将弱变换样本的哈希知识转移到强变换样本,我们使哈希码对各种变换不敏感。我们还引入了基于哈希代理的相似性学习和基于二进制交叉熵的量化损失,以提供高质量的哈希代码。最终,我们构建了一个深度哈希框架,不仅改善了现有的深度哈希方法,但也达到了最先进的检索结果。进行了大量的实验,并证实了我们的工作的有效性。
2022-07-13 cs.CV cs.IR
Compact Neural Graphics Primitives with Learned Hash Probing
NVIDIA(英伟达);University of Toronto(多伦多大学);Adobe
本文提出一种带学习式探测的哈希表,用于神经图形基元,兼顾低内存占用与高推理速度,训练仅慢1.2-2.6倍,优于现有索引学习方法。
2023-12-28 cs.CV cs.GR
Hashing with Binary Matrix Pursuit
FirstFuel Software(FirstFuel软件公司);Boston University(波士顿大学)
我们提出了两阶段哈希方法的理论和经验改进。我们首先提供了一个理论分析的二进制代码的质量,并表明,在温和的假设下,剩余学习计划可以构建二进制代码,适合任何邻域结构的任意精度。其次,我们证明了使用CNN等高容量哈希函数,可以大大简化许多标准邻域定义的二进制代码推理,从而产生更小的优化问题和更强大的代码。重申我们的研究结果,我们提出了一种新的两阶段哈希方法,显着优于以前的哈希研究广泛使用的图像检索基准。
2018-08-06 cs.CV cs.LG stat.ML
Nested Hash Layer: A Plug-and-play Module for Multiple-length Hash Code Learning
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学);NetEase Fuxi AI Lab(网易伏羲AI实验室)
提出即插即用模块NHL,通过嵌套结构同时生成多长度哈希码,结合动态加权与自蒸馏策略优化训练,在多模型上实现5至8倍加速并提升约3.4%性能。
2025-05-30 cs.CV cs.IR
DistGrid: Scalable Scene Reconstruction with Distributed Multi-resolution Hash Grid
National University of Defence Technology(国防科技大学)
本文提出 DistGrid,通过分布式联合多分辨率哈希网格、非重叠轴对齐包围盒划分与分段体绘制消除背景 NeRF,实现高质量、可扩展的大规模场景重建。
2024-05-08 cs.CV
Instant Neural Graphics Primitives with a Multiresolution Hash Encoding
NVIDIA(英伟达)
由完全连接的神经网络参数化的神经图形基元的训练和评估可能是昂贵的。我们降低了这种成本,一个多功能的新的输入编码,允许使用一个较小的网络,而不牺牲质量,从而显着减少浮点数和内存访问操作的数量:一个小的神经网络是由一个多分辨率哈希表的可训练的特征向量,其值通过随机梯度下降优化。多分辨率结构允许网络消除哈希冲突的歧义,从而形成一个简单的架构,在现代GPU上并行化是微不足道的。我们通过使用完全融合的CUDA内核实现整个系统来利用这种并行性,重点是最大限度地减少浪费的带宽和计算操作。我们实现了几个数量级的综合加速,能够在几秒钟内训练高质量的神经图形基元,并在几十毫秒内以${1920\!\times\!1080}$的分辨率进行渲染。
2022-05-04 cs.CV cs.GR cs.LG
Model Inversion Attack Against Deep Hashing
Wuhan University of Technology(武汉理工大学)
本文提出DHMI框架,首次针对深度哈希进行模型逆向攻击,通过语义哈希中心和替代模型优化,实现高保真图像重建,揭示深度哈希的隐私风险。
2025-11-21 cs.AI cs.CV
Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance
Virginia Tech(弗吉尼亚理工大学);University of Minnesota(明尼苏达大学);Purdue University(普渡大学)
图像散列是一个基本问题,需要高效和有效的解决方案,为各种实际情况。对抗性自动编码器能够隐式地学习一个鲁棒的、保持局部性的哈希函数,该函数可以生成平衡的、高质量的哈希码。然而,现有的对抗性哈希方法对于大规模图像检索应用是低效的。具体地,它们需要指数数量的样本以能够生成最佳散列码,并且需要显著高的计算成本来进行训练。在本文中,我们表明,高样本复杂度的要求往往会导致次优检索性能的对抗哈希方法。为了解决这一挑战,我们提出了一种新的adversarial-autoencoder哈希方法,该方法具有更低的样本要求和计算成本。具体而言,通过利用低维离散空间中散列函数的所需属性,我们的方法通过平均一组易于计算的一维Wasserstein距离来有效地估计Wasserstein距离的更好变体。与其他对抗性哈希方法相比,所得到的哈希方法具有数量级更好的样本复杂度,因此具有更好的泛化性能。此外,计算成本显着降低使用我们的方法。我们在几个真实世界的数据集上进行了实验,结果表明,该方法优于竞争散列方法,比当前最先进的图像散列方法提高了10%。本文附带的代码可以在Github上找到(https://github.com/khoadoan/adversarial-hashing)。
2020-05-26 cs.CV cs.IR cs.LG
Unsupervised Hashing with Semantic Concept Mining
Beijing Institute of Technology(北京理工大学);Beijing Engineering Research Center of High Volume Language Information Processing and Cloud Computing Applications(北京海量语言信息处理与云计算应用工程技术研究中心);Beijing Institute of Technology Southeast Academy of Information Technology(北京理工大学东南信息技术研究院);National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Huazhong University of Science and Technology(华中科技大学)
近年来,为了提高无监督图像检索的性能,人们提出了大量的无监督哈希算法,通过设计一个语义相似度矩阵,该矩阵是基于预训练的CNN模型提取的图像特征之间的相似度。然而,这些方法往往忽略了图像中包含的高级抽象语义概念。直观地说,概念在计算图像之间的相似度中起着重要的作用。在现实场景中,每幅图像都与一些概念相关联,如果两幅图像共享更多相同的概念,则它们之间的相似度会更大。受上述直觉的启发,在这项工作中,我们提出了一种新型的无监督哈希和语义概念挖掘,称为UHSCM,它利用VLP模型来构建高质量的相似性矩阵。具体来说,首先收集一组随机选择的概念。然后,通过采用视觉语言预训练(VLP)模型与提示工程,这已显示出强大的权力,在视觉表示学习,根据训练图像的概念集去噪。其次,UHSCM再次利用VLP模型挖掘图像的概念分布,并根据挖掘出的概念分布构造高质量的语义相似度矩阵。最后,以语义相似度矩阵为指导信息,提出了一种新的基于对比度损失的正则化项的哈希损失算法来优化哈希网络。在三个基准数据集上的大量实验表明,该方法在图像检索任务中的性能优于最先进的基线。
2022-09-23 cs.CV cs.IR
Deep Semantic Hashing with Generative Adversarial Networks
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
散列是一种广泛采用的最近邻搜索技术,在大规模的图像检索任务。最近的研究表明,利用监督信息可以产生高质量的哈希。然而,注释数据的成本通常是将监督哈希应用于新领域时的一个障碍。此外,由于训练和测试阶段的数据可能来自相似但不同的分布,因此结果可能会受到鲁棒性问题的影响。本文研究了通过半监督生成对抗网络(GANs)生成合成数据的探索,该网络利用大量未标记和有限的标记训练数据来生成具有内在不变性和全局一致性的高度引人注目的数据,以更好地理解自然数据的统计结构。我们证明,上述两个限制可以很好地缓解应用的合成数据的哈希。具体而言,提出了一种新的深度语义哈希与GANs(DSH-GANs),它主要由四个组件组成:用于学习图像表示的深度卷积神经网络(CNN),用于区分合成图像和真实图像的对手流,用于将图像表示编码为哈希码的哈希流和分类流。整个架构通过联合优化三个损失来进行端到端的训练,即,对抗性损失以校正每个样本的合成或真实的标签,三元组排序损失以保持输入真实合成三元组中的相对相似性排序,以及分类损失以准确地分类每个样本。在CIFAR-10和NUS-WIDE图像基准上进行的大量实验验证了利用合成图像进行哈希的能力。与最先进的深度哈希模型相比,我们的框架也取得了优异的结果。
2018-04-23 cs.CV cs.IR
Similarity Guided Deep Face Image Retrieval
Seoul National University(首尔大学)
随着图像数据库规模的快速增长,人脸图像检索,即从查询输入的人脸图像中搜索具有相同身份的图像,受到了越来越多的关注。为了进行快速准确的检索,人们提出了一种基于紧凑哈希码的方法,最近,带有监督分类训练的深度人脸图像哈希方法表现出了出色的性能。然而,基于分类的方案有一个缺点,它不能揭示复杂的相似性人脸图像到哈希码学习。在本文中,我们试图提高人脸图像检索的质量,提出了一种相似性指导哈希(SGH)方法,它轻轻地考虑自我和成对的相似性同时。SGH采用各种数据增强,旨在探索面部图像之间的复杂相似性,解决内部和内部身份方面的困难。广泛的实验结果与现有的基准协议和另外提出的大规模更高分辨率的人脸图像数据集表明,我们的SGH提供了最先进的检索性能。
2021-07-11 cs.CV cs.IR
DSCH-Loss: A Dynamic Semantic Channel Objective for Deep Semantic Hashing
aFraunhofer Institute for Applied
研究语义哈希方法,提出动态语义通道哈希(DSCH)损失函数,通过动态调整语义通道避免损失景观不连续性,采用考虑平局的mAP评估,实验表明DSCH训练的模型在多任务中表现优异,优于其他现有损失函数。
2026-07-28 cs.AI cs.CV cs.IR
CC-4DGS: Computational Deformation and Point-Cloud Compression for Storage-Efficient Dynamic Gaussian Splatting
Hanyang University(汉阳大学)
CC-4DGS是一种存储高效的动态高斯溅射框架,通过计算变形场和规范点云属性压缩,在保持实时渲染性能与相当重建精度的同时,大幅降低了场景存储需求。
2026-09-03 cs.CV
A Refined 3D Gaussian Representation for High-Quality Dynamic Scene Reconstruction
Guangdong University of Technology(广东工业大学)
本文提出一种精细化3D高斯表示,通过可变形MLP、哈希编码、去噪掩码及运动约束,在提升动态场景渲染质量与速度的同时大幅降低内存占用。
2024-05-28 cs.CV
Animatable 3D Gaussian: Fast and High-Quality Reconstruction of Multiple Human Avatars
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);GalaSports(高拉体育)
提出Animatable 3D Gaussian方法,通过蒙皮3D高斯与骨架建模、多头哈希编码器和时间相关环境光遮蔽模块,实现多人化身快速高质量重建,训练与渲染效率显著优于InstantAvatar。
2024-07-28 cs.CV cs.GR
NeRF-based CBCT Reconstruction needs Normalization and Initialization
School of Biomedical Engineering, Division of Life Sciences;Medicine, University of Science;Technology of China (USTC), Hefei, 230026, China Center for Medical Imaging, Robotics, Analytic Computing \& Learning (MIRACLE), Suzhou Institute for Advance Research, USTC, Suzhou, 215123, China Computer Aided Medical Procedures (CAMP), TU Munich, 80333, Germany Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS, Beijing, 100190, China Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology, Suzhou, 215123, China State Key Laboratory of Precision \& Intelligent Chemistry, USTC, Hefei, China Munich Center for Machine Learning (MCML), Munich, Germany
针对CBCT重建中NeRF的哈希编码器与神经网络局部-全局训练不匹配问题,提出归一化哈希编码器和映射一致性初始化策略,实现更快收敛和更高质量重建。
2025-06-24 cs.AI cs.CV eess.IV