ディープハッシングは、類似データから深層表現とハッシュコードをエンドツーエンドで学習することにより、効率的かつ効果的な画像検索を確立します。本稿では、深層学習を用いた量子化アプローチに焦点を当てたコンパクトコーディングの解決策を提示します。このアプローチは、類似検索のためのハッシングソリューションよりも優れた性能を示しています。私たちは、新しい深層量子化モデルの学習手法であるディープトリプレット量子化（DTQ）を提案します。より効果的なトリプレット訓練を可能にするために、新しいトリプレット選択手法であるグループハード（Group Hard）を開発しました。この手法は、各画像グループからランダムに難しいトリプレットを選択します。さらに、コンパクトなバイナリコードを生成するために、弱正規直交性を持つトリプレット量子化をトリプレット訓練中に適用します。量子化損失はバックプロパゲーションを通じてコードブックの冗長性を削減し、深層表現の量子化可能性を向上させます。広範な実験結果から、DTQが高品質かつコンパクトなバイナリコードを生成できること、および3つのベンチマークデータセット（NUS-WIDE, CIFAR-10, MS-COCO）において最先端の画像検索性能を達成できることを示しています。