本文提出了一种新的距离度量方法，名为 Distributional Sliced-Wasserstein distance（DSW），其通过寻找在单位球上的一组满足特定正则化约束条件的概率测度来计算，能够平衡探索鲜明的投射方向和投射本身信息的信息量，该方法在生成建模应用中比先前的基于切片的距离具有更好的性能。

Feb, 2020

本文提出了一种新的测量两个概率分布距离的方法 -- 分层切片 Wasserstein 距离（HSW）, 通过研究这种方法的理论性质以及在一些数据集上的比较，我们发现 HSW 在计算代价和生成质量上优于传统的 Sliced Wasserstein 距离。

Sep, 2022

该论文介绍了一种新的方法，使用少量参数化正交投影来近似分解高维分布的一维边际分布，以便于在生成式框架中实现深度学习。研究表明，该方法在标准图像综合基准和高分辨率图像和视频生成方面表现出优越性和最先进性。

Apr, 2019

本研究介绍了基于深度学习的一种小批量近似方法，用于在自动编码器和生成式对抗网络等现代生成模型中实现切片 Wasserstein 距离，以便在无监督情况下实现高分辨率图像和视频的生成，表现为当代最佳水平。

Jun, 2017

提出一种基于能量函数的切片分布，利用其构建一维 Wasserstein 距离而得到 energy-based sliced Waserstein (EBSW) 距离，进行拓扑、统计和计算性质的研究，实验表明该方法在点云梯度流、颜色转移和点云重建等方面具有优异性能。

Apr, 2023

提出一种新的基于 Gromov-Wasserstein 距离的分歧方法，称为 Sliced Gromov-Wasserstein，它可以通过分片方法处理大规模分布，并在实验中证明了其与 GW 相比处理能力更强但计算速度更快。

May, 2019

本文提出了一种名为增广矢量切片距离（ASWDs）的新的距离度量方式，通过将样本映射到由神经网络参数化的高维超曲面上，使得它们能够捕获数据分布的复杂结构，实验结果表明，ASWD 在合成和实际问题上均明显优于其他 Wasserstein 变体。

Jun, 2020

本文介绍了一种新的基于球面的 Sliced-Wasserstein 距离测度方法，该方法基于对圆上 Wasserstein 距离的封闭解和球面 Radon 变换的新构建，从而使得 SW 的差异测量得以扩展至流形，同时该方法的高效实现有助于在球面数据表示的机器学习应用中实现样本采样、密度估计和超球自编码器等。

Jun, 2022

通过提出两个新的切片算子，即部分广义 Radon 变换（PGRT）和分层混合 Radon 变换（HHRT），我们将 Sliced Wasserstein（SW）扩展为 Hierarchical Hybrid Sliced Wasserstein（H2SW）距离，用于比较异构联合分布。我们讨论了 H2SW 的拓扑、统计和计算特性，并在 3D 网格变形、深度 3D 网格自编码器和数据集比较中展示了 H2SW 的优异性能。

Apr, 2024

本文研究了 Sliced Wasserstein 距离的性质、优化问题和蒙特卡洛逼近，展示了 Stochastic Gradient Descent 方法最小化该距离的收敛性。

Jul, 2023