本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题，并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力，实验结果表明这种方法可以显著提高零样本视频分类的性能。

Apr, 2018

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

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018

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

本文提出了一种基于强化学习进行合成特征选择的新方法，该方法利用 Transformer-based selector 根据验证分类精度选择特征，以此作为奖励，实验结果表明它比现有的特征生成方法表现更好。

Apr, 2023

该论文介绍了一个基于 Episode 的训练框架，用于零样本学习，其中模型在多个 Episode 中进行训练，通过逐步积累集成经验来预测模拟的看不见的类，以便在真实的看不见的类上进行良好的泛化，提出了一种新的生成模型，通过生成视觉原型并以课程语义原型为条件，确保视觉语义交互相匹配，并在对抗性框架中对抗参数经济的多模态交叉熵损失以捕捉区分性信息，经过多次实验发现，该模型在四个数据集的传统 ZSL 和广义 ZSL 任务中都优于现有的最先进方法。

Sep, 2019

本文提出了一种新的特征生成网络 AFC-GAN，用于解决基于 GAN 的零样本学习中存在的特征混淆问题，通过提出边界损失和特征混淆得分指标 FCS 等方法可以显著提高模型的性能。

Sep, 2019

该论文提出了一个不同层面的融合方法，从多标签类别嵌入中生成多标签特征，将其应用于零样本图像分类和检测。实验结果表明，与现有方法相比，我们的跨层级融合方法在三个基准测试数据集上都获得了更好的性能。

Jan, 2021

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

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