| Dataset | Task | BITR | CCA | CCASMN | CFA | CMCP | DCMIT | HSNN | JGRHML | JRL | LGCFL | ml-CCA | mv-CCA | S2UPG |
| NUS-WIDE Dataset | Image->All | 0.247 | 0.288 | 0.310 | 0.288 | 0.328 | 0.307 | 0.361 | 0.314 | 0.409 | 0.355 | 0.322 | 0.301 | 0.473 |
| Text->All | 0.248 | 0.330 | 0.364 | 0.329 | 0.449 | 0.380 | 0.433 | 0.419 | 0.485 | 0.422 | 0.349 | 0.419 | 0.584 | |
| Pascal VOC Dataset | Image->All | 0.088 | 0.116 | 0.179 | 0.150 | 0.258 | 0.185 | 0.273 | 0.150 | 0.329 | 0.270 | 0.265 | 0.194 | 0.345 |
| Text->All | 0.091 | 0.239 | 0.405 | 0.191 | 0.387 | 0.283 | 0.407 | 0.282 | 0.594 | 0.664 | 0.621 | 0.618 | 0.631 | |
| Wikipedia Dataset | Image->All | 0.167 | 0.191 | 0.185 | 0.211 | 0.255 | 0.221 | 0.245 | 0.263 | 0.273 | 0.213 | 0.209 | 0.200 | 0.274 |
| Text->All | 0.258 | 0.381 | 0.400 | 0.414 | 0.462 | 0.408 | 0.434 | 0.468 | 0.476 | 0.441 | 0.418 | 0.444 | 0.503 | |
| XMedia Dataset | Image->All | 0.079 | 0.130 | 0.137 | 0.143 | 0.218 | 0.261 | 0.184 | 0.169 | 0.252 | 0.063 | 0.139 | 0.131 | 0.311 |
| Text->All | 0.065 | 0.130 | 0.136 | 0.141 | 0.196 | 0.146 | 0.178 | 0.144 | 0.199 | 0.068 | 0.142 | 0.152 | 0.254 | |
| Video->All | 0.071 | 0.079 | 0.107 | 0.116 | 0.153 | 0.078 | 0.127 | 0.134 | 0.152 | 0.078 | 0.111 | 0.082 | 0.190 | |
| Audio->All | 0.072 | 0.104 | 0.117 | 0.125 | 0.202 | 0.100 | 0.187 | 0.131 | 0.197 | 0.078 | 0.133 | 0.105 | 0.227 | |
| 3D->All | 0.061 | 0.070 | 0.111 | 0.082 | 0.219 | 0.070 | 0.160 | 0.203 | 0.181 | 0.086 | 0.154 | 0.069 | 0.291 | |
| Average | 0.132 | 0.187 | 0.223 | 0.199 | 0.284 | 0.222 | 0.272 | 0.243 | 0.322 | 0.249 | 0.260 | 0.247 | 0.371 | |