التعلم القليل هو مهمة أساسية في الرؤية الحاسوبية، ويوفر وعْدًا بتقليل الحاجة إلى بيانات مُعلَّمة بشكل مُفصّل. وقد ركّزت معظم المناهج الحالية للتعلم القليل على تطوير مُستخرجات ميزات عصبية متزايدة التعقيد، واستراتيجيات تكييف التصنيف، بالإضافة إلى تحسين تعريف المهمة نفسها. في هذا البحث، نستكشف الفرضية القائلة بأن مقياس المسافة القائم على التباين بين الفئات، وبشكل خاص مقياس ماهالانوبيس، عند تطبيقه في منهج حديث للتعلم القليل (CNAPS)، يمكنه وحده أن يؤدي إلى تحسن ملحوظ في الأداء. كما اكتشفنا أنه من الممكن تعلُّم مُستخرجات ميزات تكيفية تسمح بتقدير موثوق للتباينات في الفضاءات عالية الأبعاد التي يتطلبها هذا المقياس، حتى من عينات قليلة جدًا. ونتيجة لهذا العمل، نقدم بنية جديدة تُسمى "CNAPS البسيطة"، والتي تمتلك ما يصل إلى 9.2٪ أقل من المُعاملات القابلة للتدريب مقارنة بـ CNAPS، وتحقيق أداءً أفضل بنسبة تصل إلى 6.1٪ مقارنة بأفضل النماذج الحالية على مجموعة بيانات معيارية لتصنيف الصور في سياق التعلم القليل.