Enhancing Historical Image Retrieval with Compositional Cues

通过分析大量数字化存储的历史图像数据，现有的基于内容的检索方法经常忽略重要的非语义信息，从而限制了它们在不同主题之间进行灵活探索的有效性。为了扩大图像检索方法的适用性，揭示更普遍的模式，我们创新性地将计算美学中的一个关键因素——图像构图引入到这个主题中。通过将CNN提取的与构图相关的信息明确地集成到设计的检索模型中，我们的方法考虑了图像的构图规则和语义信息。定性和定量实验表明，由构图信息引导的图像检索网络优于仅依赖内容信息的方法，有助于在数据库中识别更接近人类感知目标图像的图像。请访问https://github.com/linty5/CCBIR尝试我们的代码。

论文旨在通过引入计算美学中的图像构图因素，提高图像检索的效果，使其更加适用于不同主题的灵活探索。相比于现有的基于内容的检索方法，这种方法可以更好地考虑图像构图规则和语义信息。

论文的关键思路是将计算机视觉中的卷积神经网络提取的图像构图信息与语义信息一起纳入图像检索模型中，从而提高检索效果。

论文通过定量和定性实验证明，引入图像构图信息的图像检索网络优于仅依赖于内容信息的网络，可以更好地识别与目标图像在人类感知上更接近的数据库中的图像。论文提供了开源代码。

最近的相关研究包括：1. 'Deep Learning for Content-Based Image Retrieval: A Comprehensive Study'；2. 'Learning Deep Structure-Preserving Image-Text Embeddings'；3. 'Deep Image Retrieval: Learning global representations for image search'。