La búsqueda del vecino más cercano aproximado (ANN) es fundamental para la rápida recuperación de imágenes basada en el contenido. Mientras que la cuantización de vectores es clave para realizar una búsqueda ANN efectiva, para mejorar aún más la precisión de la búsqueda ANN, proponemos una cuantización acumulativa mejorada (E-AQ). Basándonos en nuestro trabajo anterior, introdujimos la idea del punto del cuarto en la cuantización acumulativa (AQ). En lugar de encontrar el centroide más cercano, se utilizó el vector del cuarto para cuantificar el vector y se calculó para cada vector según su centroide más cercano y segundo centroide más cercano. Luego, el error producido a través del entrenamiento del libro de códigos y la cuantización de vectores se redujo sin aumentar el número de centroides en cada libro de códigos. Para evaluar la precisión con la que los vectores fueron aproximados por sus salidas de cuantización, realizamos un método exhaustivo basado en E-AQ para la búsqueda ANN. Los resultados experimentales muestran que nuestro enfoque obtuvo hasta 0.996 y 0.776 Recall@100 con ocho libros de códigos de tamaño 256 en los conjuntos de datos SIFT y GIST, respectivamente, lo que es al menos 1.6% y 4.9% más alto que otros seis métodos de vanguardia. Además, según los resultados experimentales, E-AQ necesita menos libros de códigos mientras sigue proporcionando la misma precisión en la búsqueda ANN.