量化的一损失：基于离散Wasserstein分布匹配的深度学习哈希

图像哈希是一种原理性的近似最近邻方法，用于在大图像集中查找与查询相似的项。哈希旨在学习一个二值输出函数，将图像映射为二值向量。为获得最优检索性能，生成均衡的哈希码并具备低量化误差以弥合学习阶段连续松弛与推理阶段离散量化之间的差距十分重要。然而，在现有深度监督哈希方法中，编码均衡与低量化误差难以实现且涉及多种损失。我们认为，这是因为这些方法中现有的量化方法是启发式构造的，不能有效实现这些目标。本文考虑一种替代方法来学习量化约束。将学习具有低量化误差的均衡码的任务重新表述为将所学连续码分布匹配至预定义的离散均匀分布。这等价于最小化两分布间距离。随后，我们利用哈希函数的离散性质提出了计算高效的分布距离。该分布距离是有效距离，且具有更低的时间与样本复杂度。所提单损失量化目标可集成至任何现有监督哈希方法中以改进码均衡与量化误差。实验证实，该方法显著提升了若干代表性哈希方法的性能。