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

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

本文提出了一种鲁棒性的 Optimal Transport（OT）形式，以解决数据中异常值的问题，并应用于深度学习中的 GAN 和领域适应问题，同时在实验中证明了该方法的有效性。

Oct, 2020

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

本研究提出了一个新的正则化解释角度，即将正则化视为一种鲁棒性机制，展示了任何凸正则化的 OT 都可以被解释为接受对手 -- 地面成本的方式。这同时可以在地面空间上提供鲁棒的不相似性度量方法，并提出了相应的算法和实验性说明了这种方法的优越性。

Feb, 2020

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

学习度量到度量映射是机器学习中的一项关键任务，而神经最优输运方法（Neural OT）结合了神经网络模型和最优输运理论，将最优输运作为归纳偏置，并通过实验表明其在单细胞生物学中具有实用性。

Oct, 2023

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

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

我们介绍了逼近最优输运（Approximated Optimal Transport，AOT）技术，一种用于扩散式生成模型的新型训练方案。我们的方法旨在逼近并将最优输运集成到训练过程中，大大提高了扩散模型准确估计去噪器输出的能力。通过在训练中使用 AOT，我们实现了优越的图像质量和减少的采样步骤。特别是在无条件和有条件生成中，我们分别仅使用 27 个 NFE（Numerical Fourier Expansion）和 29 个 NFE，实现了 1.88 和 1.73 的 FID（Fréchet Inception Distance）分数。此外，当将 AOT 应用于指导鉴别器的训练时，在无条件和有条件生成方面，我们分别取得了 1.68 和 1.58 的新领先 FID 分数，每个模型使用 29 个 NFE。这一结果证明了 AOT 在提升扩散模型性能方面的有效性。

Mar, 2024