نُطور نموذجًا توليديًا مركبًا جديدًا للتعلم الصفرية والقليلة العينات، بهدف التعرف على فئات دقيقة التفاصيل باستخدام عدد قليل جدًا أو لا يوجد أي عينات تدريبية. يكمن ملاحظتنا الأساسية في أن توليد سمات شاملة للفئات الدقيقة التفاصيل يفشل في التقاط الفروقات الصغيرة في السمات بين الفئات. ولذلك، نقترح إطارًا لتركيب السمات يتعلم استخلاص سمات السمات من عينات التدريب، ثم يدمجها لبناء سمات دقيقة التفاصيل للفئات النادرة أو غير المرئية. يسمح تركيب السمات لنا ليس فقط بتجميع السمات لكل فئة من عينات تدريبية ذات صلة فقط، ولكن أيضًا بالحصول على تنوع بين السمات المُركبة من خلال تغيير العينات المستخدمة في التركيب. علاوة على ذلك، بدلًا من بناء سمات شاملة لكل فئة، نستخدم سمات السمات لدينا لتكوين تمثيلات كثيفة قادرة على التقاط التفاصيل الدقيقة للسمات داخل الفئات. نقترح خطة تدريب تستخدم نموذجًا تمييزيًا لبناء سمات تُستخدم لاحقًا في تدريب النموذج نفسه. وبالتالي، نُدرّب النموذج التمييزي مباشرة على السمات المُركبة دون الحاجة إلى تعلم نموذج توليدي منفصل. وقد أجرينا تجارب على أربع مجموعات بيانات شهيرة: DeepFashion، AWA2، CUB، وSUN، مما يُظهر فعالية طريقة عملنا.