文本到图像搜索允许用户通过输入文本描述来查找相关图像。例如，键入 “带白色鞋底的红鞋” 检索与此描述匹配的图像。系统将文本查询转换为向量表示，并将其与预先计算的图像嵌入进行比较，以找到最接近的匹配。
这种搜索方法依赖于像CLIP这样的多模态模型，它可以通过将文本和图像映射到共享向量空间来理解它们之间的关系。应用包括电子商务，用户可以在不知道确切关键字的情况下搜索产品，以及根据描述性输入生成或检索视觉效果的创意工具。
文本到图像搜索增强了可访问性和效率，使定位特定内容更容易，而不依赖于详细的元数据或手动标记。