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

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

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

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

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

通过利用测度集中现象，我们基于高维随机向量的一维投影近似 Sliced-Wasserstein 距离，避免了通常需要的蒙特卡罗模拟，这一方法简单精确，用于生成模型问题效果显著。

Jun, 2021

本文介绍了切片 Wasserstein 距离的一种新变体，并研究了在 Wasserstein 距离的蒙特卡罗估计中使用正交耦合的方法，并与分层抽样建立了联系，并在生成建模和强化学习的大规模实验中进行了性能评估。

Mar, 2019

本文研究了切片瓦瑟斯坦距离在不同方面的可扩展性，包括实证收敛性、数据污染下的鲁棒性、以及高效的计算方法，并提出了用于切片瓦瑟斯坦距离常数维度的快速率。同时，本文研究了蒙特卡洛估计器和局部优化算法等方面，验证了理论研究结果。

Oct, 2022