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

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

使用广义 Radon 变换定义了一类新的概率测度距离，称为广义 sliced-Wasserstein (GSW) 距离，并给出 GSW 和 max-GSW 距离是否为距离的条件；并在几个生成建模任务中比较了所提出距离的数值性能。

Feb, 2019

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

本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

Mar, 2018

本研究研究生成式对抗网络（GAN）和变分自编码器在分布建模方面的应用，着重研究了可靠性和效率，提出了一种新的距离度量方法：最大切片 Wasserstein 距离，能够更有效地提高 GAN 的训练效果。

Apr, 2019

本研究探讨了通过最小化切片 - 瓦瑟斯坦距离获得的估计量的渐近性质，证明了其一致性和中心极限定理。

Jun, 2019

本文提出了一种基于任务特定决策边界和 Wasserstein 度量的领域自适应的特征分布对齐方法，即切片 Wasserstein 差异。实验表明该方法在数字和标志识别、图像分类、语义分割和目标检测上都具有有效性和普适性。

Mar, 2019

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