本研究提出和评估了几种三元 CNN 结构，用于在素描和照片之间测量相似度，重点研究网络在有限的训练数据下的分类能力，探究了权值共享、预处理、数据增强和降维等策略，并在 250 个 TU-Berlin 分类数据集上进行训练，结合从互联网上采集的 25,000 张对应照片，相较于现有技术在 Flickr15k 和 TU-Berlin SBIR 基准上分别提升了 18% 和 10 个标准差。

Nov, 2016

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

本研究从多个角度探讨了手绘图像检索领域中存在的问题，并通过提出 Relative Triplet Loss、使用 batch normalization、调整模型容量和知识蒸馏等方法，实现了优化模型并提升了图像检索的表现。

May, 2023

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

本篇研究论文提出了一个用于类别级别自由手绘图像检索的端到端深度体系结构 Deep Sketch Hashing（DSH），其中使用了卷积神经网络来编码自由手绘图、自然图像和辅助的草图令牌，以缓解草图 - 图像几何形变，并有效地捕获不同类别之间的内在语义相关性，实验结果表明 DSH 的检索时间和内存消耗显着降低，检索准确性较之前的方法更优。

Mar, 2017

本文提出了一种名为 Semantic-Aware Knowledge prEservation (SAKE) 的方法，在预训练模型的基础上通过 fine-tunes 和利用语义信息来保留图像检索中先前获得的知识，从而在零样本学习的场景下实现更好的性能表现。

Apr, 2019

本论文提出了一种基于生成对抗网络和连体网络的零样本草图图像检索方法，该方法在标准 ZSL 和广义 ZSL 设置下均获得了显著的提高。

Jan, 2020

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

本文提出了一种新的零样本基于草图的图像检索 (ZS-SBIR) 场景，该场景能够有效解决 ZS-SBIR 实际应用中常见的大领域差异和大规模检索问题，提供了一个全新的 ZS-SBIR 数据集 QuickDraw-Extended，采用了一种新策略来处理领域差异，同时集成了外部语义知识以帮助语义转换，实验表明该模型在现有数据集上表现优异，并提供训练代码和数据集以供未来研究使用。

Apr, 2019

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