我们重新审视了长期存在的小样本学习问题，并为此提出了一种称为GLICO（Generative Latent Implicit Conditional Optimization）的新方法。GLICO从训练样例中学习到一个映射至潜在空间的过程，并生成一个可以从该潜在空间中的向量生成图像的生成器。与大多数依赖大量未标记数据的最新研究不同，GLICO除了少量已标记的数据点外，不需要任何额外的数据。实际上，GLICO可以利用每个类别仅5或10个样例，以及少至10个这样的类别，在不施加任何先验的情况下，学会为每个类别合成全新的样本。随后，GLICO在训练分类器时用于扩充小规模训练集。为此，我们提出的方法通过球面插值对所学的潜在空间进行采样，并使用训练好的生成器生成新的样例。实证结果表明，新采样的集合具有足够的多样性，从而在CIFAR-10、CIFAR-100和CUB-200数据集中获取的小样本上训练时，图像分类性能相比现有最先进技术有所提升。