该研究提出使用生成对抗网络（GAN）来“合成”零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

Aug, 2018

使用生成对抗网络，提出了一种名为LisGAN的新方法，可以通过条件噪声直接生成未见过的特征。灵魂样本被引入生成式零样本学习中作为不变的一面，具有类别的元表示，并且通过联合部署两个分类器来实现粗分类和细分类，超过了现有方法的表现。

Apr, 2019

该论文提出了一种基于生成模型的零样本学习框架，在该框架中采用特征到特征翻译网络和条件生成器，通过交替反向传播学习，进一步提高了在不完整视觉特征条件下的零样本学习性能。

Apr, 2019

本文提出一种新的零样本学习方法，通过循环一致的对抗网络(CANZSL)，将一种基于自然语言的多模态一致双向生成对抗网络训练用于处理零样本学习问题，以在语义空间中生成逼近真实分布的语义特征。实验结果表明，CANZSL在自然语言零样本学习任务上的表现优于现有的先进方法。

Sep, 2019

本研究提出了一种基于语义一致性的零样本学习框架，在训练、特征合成和分类的所有阶段都强制执行语义一致性，并采用反馈循环来迭代地优化生成的特征，实验证明该方法在六个零样本学习基准任务上表现优异。

Mar, 2020

使用生成模型从文本描述中生成区域特征以及使用加权投票策略的修正。

Jul, 2020

本文提出了一种利用多模态信息搜索解缠表示空间的多模态三元组损失模型（MMTL），并且发展了一种名为“解开类表示生成对抗网络（DCR-GAN）”的新型模型，该模型能够在训练、特征合成和最终识别阶段利用解开表示，从而使得DCR-GAN能够拟合更真实的分布。实验证明，该模型在四个基准数据集上的性能优于现有的技术。

Jun, 2021

本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

Mar, 2023

我们提出了一种称为EGANS的进化生成对抗网络搜索方法，通过自动设计具有良好适应性和稳定性的生成网络，实现可靠的视觉特征样本合成，以推进零样本学习。

Aug, 2023