本文通过优化基于细粒度素描的图像检索方法，使用增强学习及跨模态检索框架实现检索效率的提升与最少笔画查询目标图像的目标，是一种有效的搜索框架。

Feb, 2020

我们提出了一种新颖的主动学习采样技术，极大地减少了绘制图片素描的需求，通过利用现有照片 - 素描对与没有自己素描的照片之间的关系，并增强这种关系与其中间表示之间的关联，有效平衡不确定性和多样性，在细粒度的基于素描的图像检索任务中，验证了我们的方法并证明其优越性。

Sep, 2023

本论文研究了基于细粒度手绘图像检索模型中存在的数据稀缺问题，并介绍了一种新型的半监督框架，可以利用大规模未标记的照片来提升模型表现，其中心设计是一个顺序照片到草图生成模型，并引入了鉴别器和蒸馏损失来提高数据的质量。实验证明，新的半监督模型相比现有的监督模型和具有利用未标记的照片的现有方法产生了显著的性能提升。

Mar, 2021

本文提出了一种先进的细粒度基于草图的图像检索方法，通过两个关键问题的解决方案实现了超过之前最新方法约 11％的提高：在感知空间几何方面充分强制执行标准三元组损失及使用预先训练的教师和知识蒸馏技术来充分利用图像数据。

Mar, 2023

通过对视角选择这一关键但常被忽视的因素进行深入研究，我们发现细粒度草图图像检索（FG-SBIR）的复杂动态。通过使用预训练的 FG-SBIR 模型进行的初步研究表明系统在查询草图与目标实例的视角不同时存在困扰。为了解决这个问题，我们提出了一个视角感知的系统，完美地适应视角无关和视角特异性的任务。通过克服数据集的限制，我们的方法利用了三维对象的多视角二维投影，使得跨模式视觉感知成为可能。通过模式分解引入可定制的跨模式特征，实现了轻松的模式切换。在标准数据集上进行的大量实验证实了我们方法的有效性。

Jul, 2024

通过引入双重权重共享网络、对比损失和可学习的自我注意力与交叉注意力相结合，实现了细粒度基于草图的图像检索方法的优化和扩展，并通过专业时尚草图和图像数据集 Cloths-V1 的验证展示了该方法的卓越性能。

Jun, 2024

提出了一种新颖的风格无关的基于变分自编码器的素描图像检索模型，采用元学习框架，可以将每个素描显式地分解为与之对应的真实照片的共享语义内容部分和独特于手绘者的风格部分，并将其动态地适应到任何未见过的用户风格中。实验结果表明，该模型在类别级和实例级素描图像检索中都表现出了最先进的性能。

Mar, 2021

提出了一种基于概率模型的草图图像检索方法，采用生成模型来生成图像，并使用反向自回归流和反馈机制保证了图像生成的效果，实验结果表明该方法在两个数据集上的表现优于基线方法。

Apr, 2019

提出基于生成模型的零样本学习用于手绘图像检索的新方法，在经过大量实验验证后，发现这种方法比现有的方法在检索不同类别的图片时性能更好。

Jul, 2018

通过多粒度表示学习方法（MGRL），该研究提出一种解决半身轮廓图检索（SLFIR）问题的框架，从而在早期获取方面超过了现有基线模型。

Dec, 2023