يهدف التعلم الصفري (ZSL) إلى التنبؤ بالفئات غير المرئية التي لم تظهر أي أمثلة منها أثناء التدريب. من أكثر مصادر المعلومات(semantic) فعالية واستخدامًا في تصنيف الصور الصفري هي السمات (attributes)، وهي عبارة عن ملاحظات تصف الخصائص البصرية على مستوى الفئة. ومع ذلك، غالبًا ما تفشل الطرق الحالية في التمييز بين التفاصيل البصرية الدقيقة بين الصور، وذلك ليس فقط بسبب نقص التسميات الدقيقة (fine-grained annotations)، بل أيضًا بسبب عدم التوازن في السمات ووجود تداخل في حدوثها (attribute imbalance and co-occurrence). في هذا البحث، نقدم طريقة مبنية على المُحول (Transformer) وتعمل بشكل كامل (end-to-end) تُسمى DUET، والتي تدمج المعرفة الدلالية الخفية من النماذج اللغوية المُدرّبة مسبقًا (PLMs) من خلال نموذج تعلّم متعدد الوسائط ذاتي التوجيه (self-supervised multi-modal learning paradigm). بشكل خاص، قمنا بـ: (1) تطوير شبكة تثبيت دلالي عبر الوسائط (cross-modal semantic grounding network) لاستكشاف قدرة النموذج على فصل السمات الدلالية من الصور؛ (2) تطبيق استراتيجية تعلّم تبايني على مستوى السمات (attribute-level contrastive learning) لتعزيز قدرة النموذج على التمييز بين الخصائص البصرية الدقيقة، مع مواجهة مشكلة التداخل والانحياز في السمات؛ (3) اقتراح سياسة تعلم متعدد المهام (multi-task learning policy) لمراعاة أهداف متعددة الوسائط. وجدنا أن DUET تحقق أداءً متقدمًا (state-of-the-art) على ثلاث معايير شائعة لـ ZSL، وعلى معيار ZSL مزود بـ معرفة رسمية (knowledge graph). كما أظهرت مكونات النموذج فعالية عالية، وتمكّن التنبؤات الناتجة من أن تكون قابلة للتفسير.