Die Einbeziehung externer Wissensquellen in die visuelle Fragebeantwortung (Visual Question Answering, VQA) ist zu einem entscheidenden praktischen Bedarf geworden. Bisherige Ansätze basieren meist auf Pipeline-Verfahren, bei denen unterschiedliche Komponenten für die Wissensabgleichung und -extraktion, Merkmalslernverfahren usw. zuständig sind. Diese Pipeline-Ansätze leiden jedoch unter schlechter Leistung einzelner Komponenten, was zu Fehlerfortpflanzung und einer insgesamt schlechten Gesamtleistung führt. Zudem ignorieren die meisten bestehenden Ansätze das Problem der Antwortverzerrung – in realen Anwendungen treten viele Antworten auf, die während des Trainings nie aufgetreten sind (sogenannte „unbekannte Antworten“). Um diese Lücken zu schließen, schlagen wir in diesem Artikel einen Zero-shot-VQA-Algorithmus vor, der Wissensgraphen und einen maskenbasierten Lernmechanismus nutzt, um externe Wissensquellen effizienter zu integrieren. Zudem präsentieren wir neue, auf Antworten basierende Zero-shot-VQA-Splits für die F-VQA-Datenbank. Experimente zeigen, dass unsere Methode sowohl bei Zero-shot-VQA mit unbekannten Antworten eine state-of-the-art-Leistung erzielt als auch bestehende end-to-end-Modelle erheblich auf der normalen F-VQA-Aufgabe verbessert.