本文提出一种稀疏感知的最优传输 (SOT) 准则，通过利用 OT 框架中的降级疏松性，可以在无监督的恢复学习中显着提高性能，特别是在超分辨率和去雾等任务上。实验结果表明，SOT 可以在这些任务中显著优于现有的无监督方法，接近于最优监督方法的表现。
Apr, 2023
通过最优输运理论，本文在群体层面提出了一种新的基于最优输运的去噪器，证明了其良好定义性和唯一性，并与一种 Monge OT 问题的解紧密相关。特别是，在指数分布的情况下，可以仅通过边际分布来恢复基于最优输运的去噪器。
Dec, 2023
无监督深度学习在图像处理领域中日益成为研究的关键，能够通过学习表达丰富且强大的重构操作符来解决高质量训练数据稀缺的问题。本文回顾了基于最优运输和凸分析的理论上有依据的无监督学习方案，重点介绍了基于循环一致性模型和学习对抗规则化方法等具有明确概率解释的最优运输无监督方法。另外，对于加速图像逆问题求解的可证明收敛学习优化算法及其专用无监督训练方案进行了概述，并调查了基于梯度步骤深度降噪器的可证明收敛插放学习算法，这是应用广泛且最重要的无监督图像处理方法之一。最后，总结了一些与重点方案相辅相成的相关无监督学习框架，并提供了基于数学原理的详细综述，使我们的讨论更加自包含。
Nov, 2023
该论文提出了一种通过噪声数据推断未知成本的方法，利用了前向最优传输问题和随机数生成方法作为基础，探讨了其在国际迁移流问题上的应用和不确定性量化。
May, 2019
提出了一种图像恢复算法，该算法可控制任何预训练模型的感知质量和 / 或均方误差，通过对测试时间的控制，实现其中之一。
Jun, 2023
使用最优传输的方法实现了一个面向许多有向图的参数学习框架，可以灵活地从不完整数据中推断概率有向图模型中的潜在变量。在多个实验中，该方法展示了恢复真实参数和离散表示学习等任务上的优异性能。
May, 2023
通过基于熵正则化最优输运的新方法和 Gromov-Wasserstein 距离概念，实现并优化了联合聚类的算法，可以自动地确定行和列聚类的数量，并在广泛的实验评估中展示了其快速和准确的功能。
May, 2017
我们通过说明高斯反卷积的最大似然估计与判别式最优传输距离的计算相对应来给出熵最优传输的统计解释。这一结构性结果为机器学习社区广泛采用这些工具提供理论支持。
Sep, 2018
通过使用凸凹成本函数的最优传输，我们提出了一个新颖的概念框架来检测异常值，并在自动异常值矫正机制中进行了集成和优化，实验证明了我们方法在众多模拟和实证分析中对均值估计、最小绝对回归和期权隐含波动率曲面拟合的有效性和优越性。
Mar, 2024
我们介绍了一种利用最优输运理论进行条件独立性约束下数据修复的框架，并将该问题转化为正则化的优化问题，提出了一种受 Sinkhorn 算法启发的迭代算法来解决高维大规模数据的计算问题。通过广泛的实验，我们证明了该方法在实际数据清洗和预处理任务中的高效性和实用性，同时与传统方法进行了比较，突出了我们的技术在保持数据效用和确保所需条件独立性约束方面的优越性。