本研究提出使用自我生成伪标签来捕捉未标注图像数据中的潜在信息，在同一张图像的不同数据增强生成的多个伪标签交集的一致性正则化过滤噪声伪标签，结合人工标注数据重新训练模型，并不断迭代，以此达到在复杂的零标签语义分割场景下进行广义分类的任务的最新最优结果。

Apr, 2021

提出了一种利用积分投影的语义自编码器（IP-SAE）模型，可以有效应用于不同但相关的目标数据分布，从而学习通过一个数据源分布进行嵌入。该模型能够解决因域漂移引起的问题和域变化的偏见，同时在四个基准数据集上表现出超越最新技术的表现。

Jun, 2023

本文提出了一种基于边界感知回归和语义一致性损失实现零样本语义分割任务的方法，并将其与 Apollonius 校准技术相结合，提高了分类器的泛化性能。实验结果表明该方法在标准数据集上实现了最先进的性能表现。

Aug, 2021

该论文研究了产生式模型的位置编码对于生成高保真度图像的作用，发现使用零填充时的隐式位置编码是生成器捕捉全局结构的关键，并且使用一种更灵活的显式位置编码可以显著提高产生式模型的性能。

Dec, 2020

本文提出了一个新的任务：零样本语义分割，要求学习像素级分类器从未见过的物体类别中进行分类。ZS3Net 是本文提出的一种新架构，它将深度视觉分割模型与从语义词嵌入生成视觉表示的方法相结合，以实现在测试时间处理已见和未见类别的像素分类任务。本文还通过自我训练进一步提高了性能，并在 Pascal-VOC 和 Pascal-Context 两个标准分割数据集上提出了零样本基准并设立竞争基线。此外，对于像 Pascal-Context 数据集中的复杂场景，我们通过使用图形上下文编码来完全利用来自类别分割地图的空间上下文先验知识。

Jun, 2019

本文提出了一种上下文感知特征生成方法，命名为 CaGNet，通过引入上下文模块来捕获像素级别的上下文信息，并从语义词嵌入中生成更丰富和上下文感知的特征，从而实现了零样本语义分割任务中的最先进结果。

Aug, 2020

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

本研究通过使用基于自监督像素级特征构建的拉普拉斯矩阵的特征向量提高了形状感知的零样本语义分割准确性，实现了比现有成果更好的零样本语义分割表现。

Apr, 2023

本文提出了一种新颖的广义零样本学习（GZSL）方法，它对训练期间的未见图像和未见语义向量具有不可知性。通过提出一种视觉实例的低维嵌入来打破视觉 - 语义间隙，并借助一个新的视觉神谕来量化噪声语义数据的影响，以提高准确性。在一系列数据集上用图模型进行推理的实验结果显示，该方法在语义和视觉监督下均明显优于现有技术。

Nov, 2018

本文关注于零样本学习中如何挖掘物体的区分特征，提出了基于语义导向的多注意力定位模型，该模型通过发现物体最区分性的部分实现了零样本学习且不需要任何人工标注。在三个广泛使用的零样本学习基准测试上的综合实验表明，该模型及其提出的方法在很大程度上提高了现有技术水平的效果。同时，该方法对整个物体以及检测到的部分学习了协同的全局和局部特性，基于语义描述对物体进行分类。

Mar, 2019