本文提出了一种新方法来估计高维概率分布之间的Wasserstein距离，解决了维数灾难问题，并在单细胞RNA测序等任务中表现优越。研究了多项式最优运输距离的算法，探讨了Optimal Transport在不同空间中的应用，特别是图形数据的适应性。同时分析了计算Wasserstein barycenters的复杂性，提出了新的框架和算法，强调了其在机器学习中的潜在价值。

本文回顾了无监督深度学习在图像处理中的重要性，并介绍了基于最优运输和凸分析的学习方案，循环一致性模型和学习对抗规则化方法。还概述了加速图像逆问题求解的学习优化算法和深度降噪器的学习算法。提供了相关无监督学习框架的综述。