该研究提出了一种模型，即使没有针对该对象的训练数据，也能在图像中识别对象，并从无监督的大型文本语料库中获取对未知类别的必要知识，在语言中的分布式信息可以被视为理解物体外观的语义基础。

Jan, 2013

本文介绍了一种简单的图像嵌入系统构建方法，可以从现有的任何n-way图像分类器和语义词嵌入模型中构建，该方法通过使用类标签嵌入向量的凸组合将图像映射到语义嵌入空间中，不需要进行额外的训练，该方法在ImageNet零样本学习任务上表现优异。

Dec, 2013

本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的generalized zero-shot learning的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于GZSL的重要性。

May, 2016

本文提出了一种新的零样本学习模型，利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模，并通过训练多个基于核的回归器来实现语义表示-范例对的结构约束，从而在包括ImageNet数据集在内的标准基准数据集上显着优于现有的零样本学习方法。

May, 2016

本研究提出了一种基于变分自编码器的模型，通过学习图像特征和类别嵌入的共享潜在空间生成潜在特征，并在其中训练softmax分类器，以构建包含未知类别的本质多模态信息的潜在特征。在多个基准数据集上的实验表明，该方法在零样本学习和少样本学习方面取得了最新的最佳表现，并且在各种零样本分割的ImageNet上，该方法的潜在特征可以在大规模的情况下进行很好的泛化。

Dec, 2018

本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件VAE将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。

Jan, 2021

本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

Jul, 2021

本篇论文提出了一种名为Feature Refinement for Generalized Zero-Shot Learning (FREE)的简单有效的GZSL方法，其采用特征细化模块，将语义-视觉映射引入到生成模型中，以精炼已见和未见类别样本的视觉特征。实验结果表明，FREE在五个基准数据集上表现优于当前最先进的方法。

Jul, 2021

提出了一种称为joint embeddings for zero-shot learning的方法，通过计算代理任务上的两流网络中的联合图像和文本模型来学习语义基础和丰富的视觉信息，并利用辅助字幕来提高图像和文本表示之间的对齐，从而在多个基准数据集上评估了该方法，在标准的（aPY上+1.6％，FLO上+2.6％）和常规的（AWA2上+2.1％，CUB上+2.2％）零-shot识别中提高了现有最先进方法的性能。

Jan, 2022

通过创新性的编码器和组合损失函数，本论文介绍了一种双重策略来解决广义零样例学习中的泛化差距，并提出了一套新的评估指标，以更详细地评估结果的可信度和可复现性。

Dec, 2023