本文介绍了一种新的基于球面的 Sliced-Wasserstein 距离测度方法，该方法基于对圆上 Wasserstein 距离的封闭解和球面 Radon 变换的新构建，从而使得 SW 的差异测量得以扩展至流形，同时该方法的高效实现有助于在球面数据表示的机器学习应用中实现样本采样、密度估计和超球自编码器等。

Jun, 2022

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

本文介绍了一种新的视角，旨在通过切片 Wasserstein 距离和核方法提供一系列正定核，并展示了这些核在机器学习中的不同任务中带来的益处，从而为优化传输距离在机器学习中的应用提供了新的可能。

Nov, 2015

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

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

本文介绍了 Wasserstein 距离作为概率分布度量的数学概念，以及其在统计学中的重要应用，包括了弱收敛、矩收敛、概率分布扰动等内容。

Jun, 2018

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