يقوم الترميز العميق (Deep Hashing) بتأسيس استرجاع صور فعال وكفؤ من خلال تعلم تمثيلات عميقة وأكواد هاش بشكل متكامل من بيانات الشبه. نقدم حلًا للترميز المضغوط، مع التركيز على نهج التعلم العميق للترميز الذي أظهر أداءً أفضل من حلول الهاش لاسترجاع الشبه. نقترح الترميز الثلاثي العميق (Deep Triplet Quantization - DTQ)، وهو نهج جديد لتعلم نماذج ترميز عميقة من ثلاثيات الشبه. لتمكين تدريب ثلاثي أكثر فعالية، نصمم نهج اختيار ثلاثي جديد يُعرف باسم "المجموعة الصعبة" (Group Hard)، حيث يتم اختيار ثلاثيات صعبة بشكل عشوائي في كل مجموعة صور. لإنتاج أكواد ثنائية مضغوطة، نطبق أيضًا كمّة ثلاثية ذات تعميم ضعيف أثناء التدريب الثلاثي. خسارة الكمّة تقلل من تكرار القاموس وتعزز قابلية الكمّة للتمثيلات العميقة عبر الرجوع الخلفي. أثبتت التجارب الواسعة أن DTQ يمكنه إنتاج أكواد ثنائية عالية الجودة ومضغوطة، مما يؤدي إلى أداء استرجاع صور رائد على ثلاثة مجموعات بيانات معيارية هي NUS-WIDE وCIFAR-10 وMS-COCO.