细粒度少样本识别通常面临新类别训练数据稀缺的问题。由于训练数据不足，网络容易发生过拟合，难以泛化到未见类别。为此，已有诸多方法提出通过数据合成来扩充训练数据以支持模型训练。本文聚焦于通过扩大未见类别的类内方差，以提升少样本分类性能。我们假设类内方差的分布具有跨基础类别与新类别的可泛化性，因此可将基础类别上的类内方差分布迁移至新类别，用于特征增强。具体而言，我们首先通过变分推断在基础类别上建模类内方差的分布；随后，将学习得到的分布迁移至新类别，生成额外的特征样本，并与原始特征联合用于分类器的训练。实验结果表明，该方法在具有挑战性的细粒度少样本图像分类基准上显著优于当前最先进的方法。