该研究论文针对深度模型易受到小型攻击的问题，提出了在 Wasserstein 距离约束下的投影梯度攻击算法和有效的优化算法。该算法不仅收敛更快，而且生成更强的攻击模型，从而提高了模型的鲁棒性。

Aug, 2020

提出了基于 Wasserstein 空间的针对时序数据的对抗样本生成方法以及 Wasserstein projected gradient descent 方法，并证明该方法在多个医疗时间序列数据集上具有强大的攻击性能，并提出了一个针对 Wasserstein 对抗样本的防御机制（Wasserstein smoothing）。

Mar, 2023

本文提出了第一个具有认证鲁棒性的防御网络，以抵御基于 Wasserstein 度量的对抗攻击，并证明该防御方法在 MNIST 和 CIFAR-10 数据集上能显著提高精度。

Oct, 2019

本文研究了图像扰动的鲁棒性问题，提出了一种新的基于 Wasserstein 距离的威胁模型，并在此基础上探讨了更强的攻击和防御方法，最后发现当前的 Wasserstein-robust 模型在抵御真实世界中的扰动方面存在的局限性。

Apr, 2020

对于图像识别任务，深度神经网络易受到针对性攻击，本文使用 Wasserstein 分布鲁棒优化技术重新构建问题模型，并提出了新的攻击算法，包括 FGSM 和 PGD，并给出了对分布威胁模型的渐进估计。

Jun, 2023

本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点，重点关注 Sobolev 范数，并在 CIFAR-10 和 CelebA 中展示了性能提升。

Jun, 2018

本文研究深度神经网络中的对抗样本问题，提出了一种新的扰动方法：利用空间变换生成对抗性样本以增强样本的感知逼真度，证明这种方法在现有防御系统方面更加具有挑战性，并通过可视化技术研究神经网络对不同类型对抗样本的感知。

Jan, 2018

本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

May, 2017

本研究使用 Sliced Wasserstein Distance 开发了一种新的算法，能在两个图像之间显式快速地最小化贴片分布之间的距离，从而消除传统计算机视觉算法的计算难度，并能在几秒钟内生成高质量的图像。

Mar, 2022

本论文在 PAC-Bayesian 理论的基础上扩展了生成模型，并为基于 Wasserstein 距离和总变差距离的模型开发了广义的泛化界限，特别地，本论文提供了新的训练目标，以适用 Wasserstein GANs 和 Energy-Based GANs。

Feb, 2023