本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入相同，同时实现区分可训练分类器，实现跨未知类别输入的优化过程。此外，我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题，并在五个标准数据集上获得了卓越的性能。

Aug, 2018

本文提出一种新的零样本学习模型（DIPL），其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域，以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能，优于现有技术方案。

Oct, 2018

该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络，用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试，实验结果显示该方法明显优于现有最先进的方法。

Mar, 2018

该文提出了一种新的双对比嵌入网络（DCEN），通过语义对齐和实例区分同时学习特定任务和任务无关知识，其中实例区分监督可帮助捕捉视觉低级知识，减轻表示偏差，从而获得可传输的表示。

Apr, 2021

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

本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验验证了该方法的优点，超过了最先进的方法。

Oct, 2021

我们提出了一种名为 Meta Domain Alignment Semantic Refinement (MDASR) 的方法，通过两个部分 Inter-class Similarity Alignment (ISA) 和 Unseen-class Meta Generation (UMG)，在跨领域广义零样本学习中解决了信息不对称问题，有效地将冗余的语义空间与共同特征空间对齐。

Mar, 2024

利用 CuMix 算法，结合 Zero-Shot Learning 和 Domain Adaptation 和 Domain Generalization，在识别未见过的可视概念和领域上大幅提升性能

Jul, 2020

本研究提出了一种新型的渐进式集成网络模型，采用多个投影标签嵌入来解决零样本图像识别问题，在有标记和无标记的数据上进行训练，为未标记的类提供知识转移，通过渐进式训练框架和预测伪标签来逐步标注最自信的图像，并更新集成网络以扩展到广义零样本学习情境，实验证明提出的模型在多个零样本学习数据集上具有很好的性能。

May, 2018

提出了一种称为 SP-AEN 的新框架，用于进行零样本视觉识别，其目的是解决嵌入式零样本学习中的语义丢失问题，通过对两个子空间的敌对学习来实现语义的转移和提高零样本识别能力。在基准测试中，相比其他最先进的方法，SP-AEN 不仅能提高分类性能，还能生成逼真的图像。（提高了 12.2％、9.3％、4.0％和 3.6％的综合平均值）

Dec, 2017