本文提供一种简单的过程，用于将生成网络适配成目标分布，从而实现小的 Wasserstein 距离，从而逐渐将生成器网络调整为目标分布。在 MNIST 和 Thin-8 数据的训练和测试集上，实现了良好的性能。

Jun, 2019

本文介绍了一种新的基于生成对抗网络的优化输运模型，使用 $2$-Wasserstein 距离度量判别器的目标函数，证明了在训练期间，生成器沿着初始和目标分布之间的 $W_2$- 测地线走，最终重现出最优映射，在低维和高维连续设置中进行验证，并证明其在图像数据上的性能优于以前的方法。

Jun, 2019

本文通过基于正则化最优传输的平滑 Wasserstein GAN 公式实现梯度信息的获取，从而实现对该目标函数的一阶优化，为一类生成对抗网络优化算法建立了理论收敛保证，且仅需要解决鉴别器问题以近似最优。该算法计算效率高，应用于 MNIST 数字以及 CIFAR-10 图像数据集相比其他同等架构和计算能力的算法生成的图像效果显著。

Feb, 2018

我们提出了一种新的方法，通过动态规划技术加速精确梯度计算，将复杂度从立方降低到二次，从而突破了原有的计算瓶颈，可以在总二次时间内获得新的熵解，这几乎是最优复杂度。大量实验证实了我们方法的高效性和有效性。

Apr, 2024

该研究提出了一种使用 Optimal Transport map 直接在高维图片空间中进行生成建模的算法，并在图像恢复等任务上验证了其有效性。

Oct, 2021

在本研究中，我们提出了一种新的基于图的优化传输的 “准瓦砂坊” 损失函数，应用于图神经网络中的节点级预测任务，从而消除节点嵌入和标签之间的非独立同分布性，并且改进了节点级分类和回归任务的性能。

Oct, 2023

基于统计距离定义的度量空间，我们推导出了条件分布的 Wasserstein 距离的可判定上界，为学习条件分布打下了理论基础。基于该结果，我们提出了一种新的条件生成算法，其中条件分布完全由统计距离定义的度量空间来刻画。我们采用最优传输理论来设计了 Wasserstein 地理发生器，一种学习 Wasserstein 地理的条件生成器。该方法既学习了观测域的条件分布，也学习了它们之间的最优传输映射。给定两个观测域标签之间 Wasserstein 地理上的条件分布，可以预测未观测到的中间域的条件分布。在以光照条件作为域标签的人脸图像上的实验证明了该方法的有效性。

Aug, 2023

本文研究了神经网络在最优传输问题中的应用。通过使用输入凸性神经网络来构建连续测量的对，该对的基本真实的最优传输映射可以通过分析获得。然后使用这些基准测量来评估现有的最优传输求解器，研究发现现有的最优传输求解器精度存在局限性，提高最优传输的准确性不一定能带来更好的效果。

Jun, 2021

本文对最优传输距离的使用进行了探索，指出在大规模数据集上计算这些距离的方法是通过平均几个较小的最优传输问题的结果。我们论证了这种方法等效于原问题的隐式正则化，并具有无偏估计，梯度和期望值周围的集中度约束等吸引人的属性。同时我们还开展了梯度流、GAN 或颜色转换等经验实验，以突出这种策略的实际价值。

Oct, 2019

该研究提出了一种基于熵正则化、近似 Sinkhorn 缩放和高斯核矩阵低秩逼近的算法，用于计算两个点云或离散分布之间的二次输运度量（也称为 2-Wasserstein 距离或均方根距离），其复杂度为 O (n)。

Oct, 2018