本研究提出了一种新的跨模态哈希检索框架PromptHash，旨在解决现有方法在语义保留和信息冗余方面的不足。通过引入亲和提示学习机制和自适应融合架构，该框架显著提升了图像与文本之间的检索性能，尤其在NUS-WIDE数据集上表现突出。

研究探讨半监督图表示学习中语义保留与数据扰动的平衡，提出保留解释的增强（EPA）方法，通过图解释技术生成增强图，确保语义保留和变异性。实验表明，EPA-GRL在多个数据集上表现优于现有方法。

本文介绍了DH-VTON虚拟试穿模型，通过混合注意力学习和深度服装语义保留模块，提升了服装细节和人像生成质量，优于现有方法。

本文探讨了多种文本风格混淆方法，旨在保护作者匿名性并提高文本生成的流畅性和语义保留。研究提出了不同的框架和模型，如“obfuscation-by-invariance”和基于变分自编码器的框架，显示出在作者风格重写和文本混淆方面的显著改进。最新方法TinyStyler在少样本文本风格转换中表现优异。