近年、クラスタリングや画像検索など広範な応用が可能なことから、ディープメトリック学習（Deep Metric Learning, DML）は注目を集めている。ディープラーニング（DL）の成功を背景に、多くのDML手法が提案されてきた。ニューラルネットワーク（NN）は、DML損失関数を用いて、サンプルを高判別性を有する低次元特徴空間にマッピングする関数を学習し、その多様体上でサンプル間の類似性を効果的に測定できるようにしている。既存の多くは、高次元特徴空間におけるクラス内コンパクト性を強化することで、NNの判別力を向上させることに注力しているが、クラス間分離の改善に明示的な制約を設けていない。本論文では、クラス内コンパクト性に加え、クラス中心が互いに等距離に分布するように制御する明示的な制約を導入することで、最適なクラス間分離を促進する新しい複合DML損失関数を提案する。この提案手法は、2つの実世界データセットにおいて、クラスタリングおよび画像検索タスクで最先端の性能を達成した。