零样本图像识别中元素级表示与推理：系统性综述

零样本图像识别（Zero-shot Image Recognition, ZSIR）旨在通过在看见域中从有限数据中学习通用知识，在未看见的域中进行识别与推理。ZSIR的核心在于构建输入视觉空间与目标语义空间之间的良好对齐映射，这一自下而上的范式受到人类观察世界过程的启发。近年来，ZSIR在从理论到算法设计，以及广泛应用方面取得了显著进展。然而,据我们所知,目前缺乏从元素级视角对ZSIR进行系统性综述,即学习数据中细粒度元素及其推理关联。为填补这一空白,本文彻底探讨了元素级ZSIR的最新进展,为其未来发展提供了坚实的基础。具体而言,我们首先将对象识别、组合识别和基础模型驱动的开放世界识别三个基本ZSIR任务整合为统一的元素级范式,并对主要方法进行详细的分类与分析。随后,我们总结了基准测试,涵盖技术实现、标准数据集及其他细节作为一个库。最后,我们勾勒了相关应用,讨论了关键挑战,并提出了潜在的未来方向。