本文面向学习图像分类器的任务，并针对一些分类仅由语义描述（如视觉属性），而其他分类也由实例图像定义的情况下，提出了一种 Zero-Shot classification task (ZSC) 的方法。旨在通过生成模型和有监督学习方法，有效地解决这一问题，实验证明该方法在 ZSC 和广义 ZSC（GZSC）方面均取得了最新的成果。

Aug, 2017

利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

Mar, 2016

This paper explores the use of pre-trained models and synthetic renderings to generate 3D shapes from sketches without the need for paired datasets, demonstrating the effectiveness of the approach for generating multiple 3D shapes per input sketch regardless of their level of abstraction.

Jul, 2023

本论文提出了一种零样本草图检索的测试时间训练范式，通过自监督附加任务的方式，利用单个草图实现模型的适应性更新，设计了基于元学习的训练范式以保持模型更新的高效性，并在实验中取得了优异的成果

Mar, 2022

本文提出了一种名为 'Doodle It Yourself' 的基于草图的 few-shot class incremental learning 框架，利用多种模式使模型学习到更多的新概念。实验表明，相比于文本，草图更适合用作支持样本。

Mar, 2022

本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

May, 2016

本研究提出了一种基于卷积网络的方法，实现将人脸照片转化为面部素描，并添加判别性正则化项提高生成的人物素描的可辨识度，该方法在多项基准测试中表现优于其他当前最先进方法。

Jan, 2015

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

通过在语义空间和模型空间中相互协作的 “幻影” 对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

Mar, 2016

本文提出了一种新的零样本基于草图的图像检索 (ZS-SBIR) 场景，该场景能够有效解决 ZS-SBIR 实际应用中常见的大领域差异和大规模检索问题，提供了一个全新的 ZS-SBIR 数据集 QuickDraw-Extended，采用了一种新策略来处理领域差异，同时集成了外部语义知识以帮助语义转换，实验表明该模型在现有数据集上表现优异，并提供训练代码和数据集以供未来研究使用。

Apr, 2019