- 随机路径投影方向的切片 Wasserstein
我们提出了一种无需优化的切片分布方法，用于蒙特卡洛估计期望，该方法借助两个输入测量值之间的标准化差异构建随机路径投影方向（RPD），进而导出了随机路径切片分布（RPSD）和两种切片 Wasserstein 的变体，即随机路径投影切片 Was - 基于切片瓦砾斯坦距离的非参数生成建模的差分私有梯度流
通过在概率测度空间中基于无参数梯度流的差分隐私生成建模方法，本研究提出了一种新颖的差分隐私生成建模方法，通过粒子方案运行的新离散流，利用切片 Wasserstein 距离来计算私有的漂移，实验结果显示，相比基于生成器模型，我们的模型在较低的 - 利用切片瓦烧斯坦 K 均值聚类在多维时间序列数据中实现自动制度检测
该研究论文研究了 Wasserstein k-means 聚类算法应用于一维和多维时间序列数据的行为、性能以及市场模式检测的有效性，并提出了基于切片 Wasserstein 距离的 sliced Wasserstein k-means 聚类 - 三维切片瓦砾斯坦算法的拟蒙特卡罗方法
我们提出了拟切片瓦瓦斯坦距离的拟蒙特卡洛逼近方法，并通过引入随机性来扩展为随机化拟切片瓦瓦斯坦，实验证实了其在各种三维任务中的优越性能。
- 用切片瓦烏希斯坦損失函數訓練神經網絡的 SGD 收斂
优化传输（Optimal Transport）近年来引发了广泛兴趣，尤其是由于 Wasserstein 距离的提出，该距离提供了一种几何上合理且直观的比较概率测度的方式。为了解决计算问题，引入了切片 Wasserstein（SW）距离作为 - 通过切片 Wasserstein 距离优化的同胚形变用于大脑皮层表面重建
使用切片 Wasserstein 距离，基于概率测度的 Mesh 变形方法进行了研究。使用神经常微分方程 ODE 对输入的 Mesh 表面进行变形，其结果在多个数据集和指标上均超过了其他竞争方法。
- 基于能量的切片瓦瑟斯坦距离
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 - ICLR分层切片瓦烧斯坦距离
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 Wasserste - 通用单次域自适应生成对抗网络
本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。
- 分片瓦烧斯坦变分推理
本研究提出了一种新的变分推断方法，通过最小化切片 Wasserstein 距离来近似非规范化分布并使用神经网络对变分分布进行逼近。我们还提供了理论性分析，并用合成和实际数据进行了实验验证。
- 使用直接图块分布匹配生成自然图像
本研究使用 Sliced Wasserstein Distance 开发了一种新的算法，能在两个图像之间显式快速地最小化贴片分布之间的距离，从而消除传统计算机视觉算法的计算难度，并能在几秒钟内生成高质量的图像。
- ICLR增强的切片 Wasserstein 距离
本文提出了一种名为增广矢量切片距离（ASWDs）的新的距离度量方式，通过将样本映射到由神经网络参数化的高维超曲面上，使得它们能够捕获数据分布的复杂结构，实验结果表明，ASWD 在合成和实际问题上均明显优于其他 Wasserstein 变体。
- CVPR神经材质合成的分割瓦瑟斯坦损失
摘自一篇研究论文，介绍了使用卷积神经网络中的特征激活统计数据来计算文本损失的问题，Gram 矩阵损失虽然是常见的这类问题的近似替代方法，但是有一些缺陷，提出了 Sliced Wasserstein Distance 作为一种优秀的替代方案， - 切片瓦瑟斯坦生成模型
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。
- 用切片瓦烧斯坦距离学习高斯混合模型
本文提供了通过切片 Wasserstein 距离的算法来求解高斯混合模型参数的新方法，并且与该算法相比，传统的期望极大化算法无论是从随机初始值还是数据分布的准确性方面都更加鲁棒。
- CVPR切片瓦瑟斯坦生成模型
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。
- 概率分布的切片瓦瑟斯坦核
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。