Dieses Papier stellt einen hardness-bewussten tiefen Metrik-Lernrahmen (HDML) vor. Die meisten bisherigen Methoden des tiefen Metrik-Lernens verwenden die Strategie der schwierigen negativen Mining, um den Mangel an informativen Trainingsbeispielen zu lindern. Allerdings nutzt diese Mining-Strategie nur einen Teil der Trainingsdaten, was möglicherweise nicht ausreicht, um die globale Geometrie des Einbettungsraums umfassend zu charakterisieren. Um dieses Problem zu lösen, führen wir eine lineare Interpolation auf den Einbettungen durch, um ihre Schwierigkeitsgrade anpassungsfähig zu gestalten und entsprechende labelerhaltende Synthetische für das recycelte Training zu generieren. Dadurch kann die in allen Beispielen verborgene Information vollständig genutzt werden und die Metrik wird stets mit angemessener Schwierigkeit konfrontiert. Unsere Methode erzielt sehr wettbewerbsfähige Ergebnisse auf den weit verbreiteten Datensätzen CUB-200-2011, Cars196 und Stanford Online Products.