通过最小分片运输计划实现高效可迁移的最优传输
计算机视觉与模式识别
2026-05-27 v4
摘要
最优传输（OT）提供了一种强大的框架，用于在各类计算机视觉领域（包括形状分析、图像生成和多模态任务）中寻找分布之间的对应关系并解决匹配和对齐问题。然而，OT 的计算成本会阻碍其可扩展性。最近的基于切片的运输计划显示出通过利用 1D OT 问题的闭式解来降低计算成本的潜力。这些方法优化一个一维投影（切片），以获得在环境空间中最小化运输成本的条件运输计划。虽然高效，但这些方法留下了一个问题：在分布迁移下，经过学习的最优切片是否可迁移到新分布对上？在数据分布变化或跨相关分布重复进行 OT 计算的场景中，理解这种可迁移性至关重要。在本文中，我们研究最小分片运输计划（min-STP）框架，探讨优化切片的可迁移性：一个在一个分布对上训练的切片能否为新的、未出现的分布对生成有效的运输计划？我们从理论上表明，经过优化的切片在数据分布轻微扰动下保持接近，从而在相关任务之间实现高效迁移。为进一步提高可扩展性，我们引入 min-STP 的 mini-batch 公式，提供其准确性的统计保证。实验上，我们展示，可迁移的 min-STP 实现了强大的单次匹配性能，并促进了点云对齐和基于流的生成模型的 amortized 训练。
引用
@article{arxiv.2511.19741,
title = {Efficient Transferable Optimal Transport via Min-Sliced Transport Plans},
author = {Xinran Liu and Elaheh Akbari and Rocio Diaz Martin and Navid NaderiAlizadeh and Soheil Kolouri},
journal= {arXiv preprint arXiv:2511.19741},
year = {2026}
}