本文提出一种基于凸几何和最优输运的可变分模型生成方法，通过对 GAN 模型的最优输运视角，表明判别器计算Kantorovich势，生成器计算输运映射

Oct, 2017

本文介绍了使用分布匹配传输映射来确保潜在空间操作保留先前分布并实现更高质量样本的方法。

Nov, 2017

本文介绍了新兴的生成对抗网络--优化输运生成对抗网络，提升了图像生成模型的稳定性和生成效果，主要特点是利用adversarially learned feature space来定义mini-batch energy distance度量优化目标，在多个经典image generation benchmark test中达到了最好的性能表现。

Mar, 2018

本文介绍一种基于生成对抗网络的可伸缩的非平衡优化输运方法，该方法可以同时学习输运映射和缩放因子，以最优的代价推动源测量到目标测量，并提供了理论证明和数值实验。

Oct, 2018

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

本研究提出了具有$L_2$优化输运规则的潜在流生成器，可轻松集成到包括不同版本的GAN和基于流的模型在内的各种生成模型中。研究表明潜在流生成器在二维问题中的正确性和鲁棒性，并阐明了$L_2$优化输运规则对“接近度”概念的影响。此外，我们展示了在MNIST数据集和CelebA数据集的无配对训练数据图像转换任务中潜在流生成器的有效性。

Aug, 2019

通过鉴别器优化过程，我们在一类广义生成对抗网络中证明，鉴别器训练过程增加了 $p$ 与 $p_G$ 之间Wasserstein距离的双重代价函数下界，这意味着训练后的鉴别器可以近似从 $p_G$ 到 $p$ 的最优传输方案。基于一些实验和一点OT理论，我们提出了一个判别器最优传输方案（DOT）来改善所生成的图像。我们证明它可以提高Inception分数和由CIFAR-10，STL-10和ImageNet的公共预训练条件GAN训练的FID计算得出的非条件GAN的生成质量。

Oct, 2019

研究拟合自然图像分布的传播模型中，VP SDE方法的编码器映射为常规分布的最优传输映射。

Feb, 2022

本文提出基于Unbalanced Optimal Transport(UOT)的半对偶形式构建的新型生成模型，相比于基于OT的方法在处理噪点，稳定性和训练收敛速度等方面表现更优。通过实验验证了该模型的性质，并研究了UOT之间分布差异的理论上界。实验结果显示，该模型在CIFAR-10和CelebA-HQ-256数据集上的FID分别为2.97和5.80，优于现有基于OT的生成模型。

May, 2023

通过半平衡最优传输的鲁棒训练技术，本文介绍了一种能有效缓解偏离值样本影响的鲁棒扩散生成对抗网络（RDGAN），通过全面评估展示了RDGAN在图像质量、分布模式覆盖以及推理速度等生成建模标准上优于标准DDGAN，且在处理干净和损坏数据集时表现出改进的鲁棒性。

Nov, 2023