在数字人文与文化遗产数字化加速发展的背景下，如何让研究者与爱好者通过一张浮世绘图片快速找到库中相似的作品，已成为数字 humanities 领域的核心需求之一。浮世绘（ukiyo-e）作为日本江户时代的木刻版画，其独特的色彩块面、线条纹理、构图布局以及印刷纸张的物理特征，对图像检索系统提出了与普通照片截然不同的技术挑战。本文将系统阐述构建面向浮世绘的视觉搜索引擎所需的工程实现路径，涵盖特征提取、嵌入向量化、相似度检索三个核心环节，并给出可落地的参数建议与评估指标。
现有浮世绘视觉搜索系统概况
目前业界已存在若干成熟的浮世绘图像检索系统，其中最具代表性的是 Ukiyo-e.org。该系统由 John Resig 于 2012 年创建，聚合了来自全球 24 家机构超过 20 万幅浮世绘作品，实现了基于图像的相似度检索。Ukiyo-e.org 的核心能力包括：用户上传任意浮世绘图片后，系统自动将其与库中所有作品进行特征比对，返回视觉相似的作品列表；同一版画的多次印刷版本会被自动对齐并展示在同一个 Gallery 中，方便研究者比对不同印次的细微差异。该系统特别针对不同尺寸、色彩饱和度乃至黑白影像的检索场景进行了优化，这是浮世绘检索区别于通用图像搜索的典型难点 —— 同一块木版可能产生多个印次，色彩表现差异显著，且部分早期印刷品已褪色或以黑白形式流传。
除 Ukiyo-e.org 外，JP Woodblock Print Search 专注于艺术品归属鉴定，用户上传后可查询作品对应的艺术家、标题、年代及是否为博物馆收藏真迹。ROIS-CODH（日本开放数据研究所）则提供数字浮世绘研究基础设施，支撑基于机器学习的大规模图像分析与检索实验。这些系统为后续工程实现提供了重要的参考架构与数据集基础。
图像特征提取的技术选型
构建浮世绘视觉搜索系统的第一步是选取合适的特征提取方案。传统基于手工特征的方法与当前主流的深度学习方法各有适用场景，实际工程中往往采用混合策略以兼顾检索精度与计算效率。
深度学习特征提取
现代图像检索系统普遍采用卷积神经网络（CNN）或视觉 Transformer（ViT）作为特征提取器，将输入图像映射为高维向量表示。针对浮世绘的特殊视觉属性，建议采用以下技术路径。首先，使用在 ImageNet 上预训练的模型（如 ResNet-50、EfficientNet、VGG-16）提取全局嵌入向量，通常取倒数第二层的输出，维度在 512 至 2048 之间。若追求更高的检索精度，可选择 ViT-B/16 或 CLIP 视觉编码器，后者在大规模图像 - 文本对比学习中习得了更丰富的语义表示，对浮世绘中的场景、人物、物体等高层语义特征具有更强的捕获能力。
对于浮世绘特有的线条纹理与色彩块面特征，建议在预训练模型基础上进行微调。浮世绘的特征空间与自然图像存在显著差异：木刻版画的边缘通常更为锐利且呈线性排列，色彩以平涂为主而非渐变，纸张纹理与印刷墨迹构成独特的表面质感。因此，如果拥有带标注的浮世绘数据集（如艺术家、流派、主题标签），推荐使用度量学习损失（对比损失、三元组损失）对模型进行微调，使相似风格或相似内容的浮世绘在特征空间中彼此接近。若缺乏标注数据，可采用自监督方法（如 SimCLR、DINO）先在浮世绘语料上进行表示学习，再构建检索索引。
传统特征的补充策略
在深度学习特征之外，传统手工特征在特定场景下仍具价值。颜色特征方面，可计算 HSV 色彩直方图或颜色矩，捕捉浮世绘独特的配色方案（如经典的蓝绿色调与红色点缀）。纹理特征方面，Gabor 滤波器或局部二值模式（LBP）能够有效描述木刻线条的排列规律与纸张的物理质感。形状与边缘特征方面，Canny 边缘检测或 HOG（方向梯度直方图）可提取轮廓与构图信息。
工程实践中，建议将深度学习特征与传统特征进行拼接或加权融合。一种常见的做法是使用主成分分析（PCA）将高维特征压缩至 256 维以提升检索速度，同时保留传统特征的局部纹理信息。实验表明，在浮世绘数据集上，混合特征往往能在细粒度检索任务中获得比单一深度特征更好的召回率表现。
嵌入向量化的工程实现
特征提取完成后，需要将得到的特征向量组织为适合高效检索的嵌入表示。这一环节涉及维度选择、向量归一化以及索引构建三个关键决策。
维度与归一化
嵌入向量的维度选择需要权衡检索精度与计算开销。工程经验表明，对于 20 万量级的浮世绘库，256 至 512 维的向量已经能够在召回率与延迟之间取得良好平衡。若使用 CLIP 等大型模型产生的 768 维向量，建议通过线性投影层将其压缩至 256 维，以降低索引存储成本并加速相似度计算。向量归一化是另一个重要的预处理步骤：对所有嵌入向量进行 L2 归一化后，余弦相似度与欧氏距离在数学上等价，这意味着后续只需选择其中一种距离度量进行检索，简化工程实现。
近似最近邻索引
面对数十万乃至百万级别的图像库，精确的 k 近邻（k-NN）搜索计算成本过高。近似最近邻（ANN）索引是工业级解决方案的标准选择。主流的 ANN 算法包括：HNSW（分层可导航小世界图），在精度与速度之间取得优异平衡，搜索延迟通常在毫秒级，适合对交互体验要求高的在线系统；IVF（倒排文件）结合乘积量化（PQ），适合大规模离线批处理场景；局部敏感哈希（LSH）则提供理论上的近似保证，但在高维空间中效果往往不如前两者。
工程建议：对于 20 万幅浮世绘的在线检索场景，HNSW 是首选索引结构。具体参数可设置为 M=16（每个节点的邻居数），efConstruction=200（建图时的搜索宽度），ef=50（查询时的搜索宽度），这些数值在多数图像检索任务中表现稳健。索引构建完成后，查询时只需计算向量间的余弦相似度并返回 Top-K 结果即可。
相似度检索的完整 pipeline
完整的浮世绘视觉搜索 pipeline 包括离线的特征提取与索引构建阶段，以及在线的查询处理阶段。离线阶段首先对库中所有浮世绘图像进行预处理：统一尺寸至 224×224 或 384×384（取决于 backbone 要求），进行色彩标准化以消除不同拍摄条件带来的差异，然后提取嵌入向量并写入 ANN 索引。在线阶段，用户上传查询图像后，系统在数十毫秒内完成特征提取、ANN 搜索与结果返回。
为提升检索结果的相关性，可引入两阶段检索策略。第一阶段使用 ANN 索引返回 Top-100 或 Top-200 的候选结果；第二阶段对这些候选结果使用更精细的特征（如更高维度的原始特征或融合了多尺度特征的向量）进行重新排序，以提升 Top-10 结果的精确率。这种方案在工业搜索系统中广泛使用，能够在保证召回速度的同时显著提升检索质量。
浮世绘领域的特殊工程考量
浮世绘检索与通用图像搜索存在若干本质差异，需要在系统设计中专门处理。首先是同一作品多印次的处理问题：同一块木版在不同年代、不同印刷条件下产生的多个版本，其视觉相似度极高但可能存在色彩差异、纸张老化程度不同等情况。系统需要能够将这类 “版本簇” 自动归类，并在检索结果中提供版本对比功能。Ukiyo-e.org 在这方面提供了优秀的实现范例，其 Gallery 功能允许用户并排查看同一作品的多个印次。
其次是黑白与彩色印刷的跨模态检索问题。江户时期的部分浮世绘（如北斋的《富岳三十六景》部分作品）存在黑白初版与彩色版本并存的情况，用户可能使用黑白照片作为查询但期望找到对应的彩色版本。解决这一问题需要在特征层面引入色彩不变性（如将图像转换至 Lab 色彩空间后仅使用 a、b 通道的部分信息），或者采用 CLIP 等支持图像 - 文本跨模态检索的模型架构。
最后是局部检索的需求。研究者可能只关注浮世绘中的某个局部细节（如特定人物的面部、特定背景元素），而非整幅作品的构图。为此，建议在系统中提供图像裁剪功能，允许用户框选感兴趣的区域，系统提取该区域的局部特征并与库中作品的对应区域进行匹配。更进阶的方案是使用滑动窗口或多尺度特征聚合，使系统能够同时匹配全局构图与局部细节。
可落地参数与评估指标
综合上述技术路径，以下给出面向 20 万幅浮世绘图像库的完整系统参数建议。特征提取阶段，推荐使用 CLIP ViT-B/32 或 ResNet-50 作为 backbone，输出 512 维嵌入向量并进行 L2 归一化。索引构建阶段，使用 FAISS 库的 HNSW 实现，M=16，efConstruction=200，构建完成后索引文件预计占用约 400MB 存储空间。在线查询延迟目标应控制在 100ms 以内（不含网络传输），返回 Top-20 结果。
评估指标方面，建议采用以下三项核心指标。召回率 @K（Recall@K）：衡量检索结果中相关图像出现在 Top-K 中的比例，建议 K 取 20 或 50，用于评估系统的检索广度。平均精度均值（mAP）：综合考量所有相关结果的排序质量，是图像检索领域最权威的评估指标。平均倒数排名（MRR）：关注第一个相关结果的位置，适用于用户通常只浏览前几条结果的交互场景。在浮世绘数据集上，建议构建包含艺术家标签、流派标签、主题标签的多层次标注集，按不同标签分别计算上述指标，以全面评估系统的检索能力。
资料来源
本文技术细节参考以下资源：Ukiyo-e.org 官方站点（https://ukiyo-e.org）及其技术概述；ROIS-CODH 数字浮世绘研究项目（https://codh.rois.ac.jp/ukiyo-e/index.html.en）；Milvus 文档中关于 CBIR 系统的技术指南。