通过分析大型音视频语言模型中的音频幻觉，本文收集了包含幻觉的 1,000 个句子，并通过预训练的音频文本模型以零样本和微调的方式进行音频幻觉分类任务，结果显示零样本模型表现更好 (52.2% F1)，优于随机模型 (40.3%)，微调模型表现最佳 (87.9%)。

Jan, 2024

本文提出了一个复杂图像的低 - shot 学习基准模型，并以此为基础，提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术，客观比较了不同方法在低 - shot 学习中的表现，并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。

Jun, 2016

本文讨论了人类如何在视觉上快速学习新概念，并探讨如何将这种能力应用于机器视觉系统中的低样本学习中，提出了一种基于元学习的新方法，其中包括一个 “幻视器”，用于生成新的训练样本，显著提高了分类准确性。

Jan, 2018

该研究提出了一种新的适用于 few-shot classification 的方法，使用伪标签技术结合蒸馏损失和标准交叉熵损失来解决小数据集的问题，并取得了比现有的算法更好的效果。

Dec, 2021

提出了一个新颖的少样本生成框架，Hallucinated Audio-Visual Embeddings-Network (HAVE-Net)，用于远程感知数据中音频和视觉模态的元训练和分类，在 ADVANCE 和 AudioSetZSL 数据集上的实验结果表明，通过幻觉模态扩充策略进行少样本分类的分类器性能至少比使用真实多模态信息进行训练的分类器性能高出 0.8-2%。

Sep, 2023

该研究使用显著性图提出了一种新颖的、低成本的数据增强方法，借此在数据稀缺情况下改进少样本学习的性能，并且在公共数据集上实现了最新的技术水平。

Apr, 2019

通过利用语义关系引导双视图数据幻影，为小样本图像识别提供更多样化和合理化的新数据样本，该框架能通过从基础类别中进行有效的信息传递生成新颖类别的样本。其中，实例视图数据幻影模块利用基础类别的局部语义相关注意力和全局语义特征融合生成新颖类别的每个样本；原型视图数据幻影模块利用语义感知度量来估计新颖类别的原型和相关分布，从而实现对大量样本的重新采样，提高样本的稳定性。通过在几个常用的小样本数据集上与最先进的方法进行了广泛的实验和比较，验证了该框架的有效性。

Jan, 2024

该研究提出一种 Embedding Hallucination（EmbedHalluc）方法，通过生成辅助的嵌入标签对来扩展 fine-tuning 数据集，以在各种语言任务中解决 fine-tuning 过拟合的问题。实验表明，该方法在各种语言任务中均表现优异，优于当前的微调方法。

May, 2022

使用幻像网络在 RoI 特征空间中生成特定类别的附加训练样本，并将其整合入现代目标检测模型中，以改善少样本检测。该方法在 COCO 基准测试中实现了新的极少样本检测率的表现，并在两个最先进的少样本检测器上取得了显着的性能改进。

May, 2021

提出一种基于深度学习的多模态方法，通过有意义的联合嵌入来弥合模型训练中数据不足的信息差距，并通过跨模态数据幻觉框架提出了一个区分性文本条件生成对抗网络，改进了基于 CUB 数据集的一、二、五次学习的模型准确性。

Jun, 2018