是的，拍任何照片都是要對比，一般同樣的拍三張，用曝光包圍模式。你總能找到自己最愛的那張，然後刪掉另外兩張。畢竟是三選一，你一定比單選的強！

最直接的，訓練資料以“圖片對”（image pair）為單位，標籤是相似度，把這樣的資料輸入神經網路，最終網路模型能夠迴歸出輸入圖片對的相似度；於是第二個步驟來了，怎麼樣給訓練資料打上相似度？手工標註。有沒有更準確的、更快的呢？有，用深度學習模型來標註兩張影象的相似度，怎麼做的？看問題描述加上步驟1就行。流程遞迴，卡死了，無解。既然步驟1裡面“最直接的”不可以，那就間接來解決。轉入步驟4間接來說，我們既然不知道如何準確標註具體的、取值區間在0～1的連續的相似度，那麼粗糙一些，標註離散的相似度：0表示不像，1表示很像。比如把英短貓和美短貓組成的圖片對標註成1，英短貓和哈士奇組成的圖片對標註成0，損失函式使用邏輯迴歸這種soft的機率迴歸形式，就可以了。只要圖片對的標註足夠充分，效果就會很好。前面有答主回答的Siamese Network就是這樣的。這樣子做，我們有了一個基於二分類的網路、輸出相似度的模型。但是問題又來了，如果構造一個充分的訓練集，要給一千種、每種有好多張圖片的資料兩兩之間標註0和1，這是一件很可怕的事情：如果你每種圖有100張，總共有10萬張圖片，那麼可以構成 這麼多的圖片對，顯然這根本很難訓練完成，更何況10萬的資料集已經是一個很小的資料集了。那麼再間接一些，不用0和1表示像與不像了，用0, 1, 2, 3, 4...999，表示一千種不同的類，把只有兩種分類的邏輯迴歸損失函式，換成有n種分類的softmax損失函式。這樣子，理論上softmax給每個類一個“中心”，每個中心都是一個高維向量，每個類的中心都和其他的類中心儘量的“不像”，用數學來說就是餘弦越小。然後呢，我們讓同一類的影象，儘量往自己的中心上去靠，靠的越近、越緊，就越好。這樣子，美短貓都緊密團結在美短貓的中心上去了，哈士奇都緊密團結再哈士奇的中心上去了。訓練結束，“最美短貓”的美短貓離自己的中心靠的最近，“不那麼美短貓”的美短貓距離美短貓中心靠的比較遠，而哈士奇離美短貓中心靠的就很遠很遠了，離自己的中心比較近。這樣的就比較好能解決我們的問題了。輸入了影象，我們能得到影象的一個特徵向量，輸入另一個影象得到另一個特徵向量，用餘弦函式比比他們的距離，相似度就有了。前面有答主說的用imagenet上pretrain模型，使用兩張圖的最後隱層的向量輸出，求餘弦做相似度就是這個道理。然後就得到了用深度學習判斷兩張圖片相似度的方法。更高階的知識，請深入學習metric learning和深度學習結合的相關知識。

據我看你的提問理解。你應該說的是在同一個機位拍攝，但是x，y軸變化，機位不變化的拍攝。這就出來不同角度同機位的照片。你想讓計算機自動識別這是同一個機位拍的照片是吧。很簡單。以一個模型作為拍攝參照物，然後一個機位在x y軸上移動拍攝的照片資料。再匯入計算機計算，進行模擬。這樣就以後軟體開發出來，就能夠識別照片角度和機位。但是這個過程太難了。比較麻煩，也需要大資料支援。