是的，可以使用图像相似性搜索等技术通过草图或艺术渲染图进行相似性查询。这涉及将输入的草图或渲染图转换为数值表示（通常称为嵌入或特征向量），并将其与数据库中预先计算的其他图像的向量进行比较。系统随后根据余弦相似度等距离度量返回最接近的匹配项。开发者可以使用训练用于从图像中提取有意义特征的机器学习模型，并结合高效的搜索算法来处理大型数据集来实现此功能。
要构建此功能，您首先需要一个能够为草图和渲染图生成嵌入的模型。卷积神经网络 (CNN) 通常用于此目的，因为它们能有效地捕获视觉模式。例如，像 ResNet 或 VGG 这样在广泛的图像数据集上预训练的模型，可以在草图上进行微调，以提高其识别抽象或风格化特征的能力。生成嵌入后，FAISS（Facebook AI Similarity Search）或 Annoy（Approximate Nearest Neighbors Oh Yeah）等工具即使在数百万张图像中也能实现快速相似性比较。实际的工作流程可能包括将用户的草图预处理成标准化格式（例如，调整大小、灰度转换），将其通过模型以获得嵌入，然后查询数据库以查找最近邻。
挑战包括处理草图质量、风格和抽象度的差异。例如，粗略的手绘草图可能缺乏精细艺术渲染图中存在的细节，从而导致不匹配。为解决这个问题，可以在不同的草图-渲染图对上训练模型，或使用合成草图（例如，对照片应用边缘检测）增强数据，以提高模型的鲁棒性。应用范围从设计工具（例如，查找与用户草图相似的徽标）到取证（将犯罪现场草图与嫌疑人照片匹配）。TensorFlow 和 PyTorch 等开源库提供了构建此功能的基石，而 AWS Rekognition 或 Google Vision API 等云服务为希望避免训练自定义模型的开发者提供了预构建的解决方案。