Aufgrund des extremen Ungleichgewichts im Trainingsdatensatz zwischen gesehenen und ungesehenen Klassen scheitern die meisten derzeitigen Stand-der-Technik-Ansätze daran, für die herausfordernde Aufgabe des generalisierten Zero-Shot-Learnings zufriedenstellende Ergebnisse zu erzielen. Um das Bedürfnis nach beschrifteten Beispielen von ungesehenen Klassen zu umgehen, schlagen wir ein neues generatives adversariales Netzwerk (GAN) vor, das CNN-Features unter Berücksichtigung von klassenbezogenen semantischen Informationen synthetisiert. Dies bietet einen direkten Weg von einer semantischen Beschreibung einer Klasse zu einer klassenbedingten Featureverteilung. Unser vorgeschlagener Ansatz, der ein Wasserstein-GAN mit einem Klassifikationsverlust kombiniert, ist in der Lage, ausreichend diskriminierende CNN-Features zu generieren, um Softmax-Klassifizierer oder jede multimodale Einbettungsmethode zu trainieren. Unsere experimentellen Ergebnisse zeigen einen signifikanten Genauigkeitszuwachs gegenüber dem Stand der Technik auf fünf anspruchsvollen Datensätzen – CUB, FLO, SUN, AWA und ImageNet – sowohl im Zero-Shot-Learning- als auch im generalisierten Zero-Shot-Learning-Szenario.