本文提出了一种改进的增量学习方法，通过生成未来类别的合成图像来训练特征提取器，显著提高了学习性能。研究表明，合成样本优于真实数据，减少了灾难性遗忘问题，推动了无样本增量学习的发展。

FeTrIL框架通过对多个数据集的实证研究，探讨了过采样和优化对增量学习的影响，展现了优越的准确性平衡。研究提出了一种无样本增量学习的新方法，强调初始训练策略和算法选择的重要性，为类增量学习的实际应用提供了建议。