本文提出了一种动态语义原型演化方法（DSP）和双重语义视觉变换器模块（DSVTM），旨在提升生成零样本学习（ZSL）的性能。DSVTM通过实例驱动的语义编码器和解码器，增强了语义与视觉特征的匹配，减轻了已知类偏见。此外，研究还提出了多模态循环一致性方法和新的分层语义视觉适应框架，均在多个数据集上展现了优越的性能。

本文介绍了双重语义视觉变换器模块（DSVTM），通过建立属性原型与视觉特征的对应关系，构建了逐步的语义-视觉相互适应网络（PSVMA），从而提高了语义消歧和知识可转移性，表现优于现有方法。此外，研究提出了多种零样本学习算法，利用生成对抗网络（GAN）和条件变分自编码器（VAE）等技术，显著提升了分类性能。