1991年，Brenier证明了极因子分解定理，将极分解推广到任意向量场F:F:F。该定理表明任何场F:F:F都可以表示为凸函数u:u:u的梯度与保测度映射M:M:M的组合。我们提出了该定理的实际实现，并探索了在机器学习中的应用。与最优输运（OT）理论密切相关，我们使用凸神经网络参数化潜力u:u:u，并通过逐点求值或辅助网络学习映射M:M:M。考虑估计逆映射的不适定问题，我们使用随机生成器近似计算前像测度M−1:M^{-1}:M−1。展示了Brenier的极因子分解在非凸优化问题和非对数凸密度采样中的应用。