新优化框架用惩罚重表述把光滑强凸正则引入部分最优传输，并在颜色迁移、域适应与点云配准上取得更低传输代价、更高稀疏度与更快收敛

提出一个面向部分最优传输的惩罚式重表述优化框架，使二次、弹性网等光滑且强凸的正则化子能够被用于POT，同时保留原问题的结构。 此前POT的计算方法更多关注熵正则化路线，而光滑强凸正则化子虽在机器学习中广泛用于诱导稀疏与加速计算，在计算POT中受到的算法关注较少；该框架把这类正则化子纳入POT的可计算范围。 证据来自论文对框架的表述性描述：通过惩罚重表述实现高效梯度更新，并声明可容纳一大类促进结构化与稀疏传输方案的正则化子；摘要未给出该框架的理论收敛证明细节。

在该表述基础上设计了一个加速一阶算法，在光滑更新与简单投影步骤之间交替执行。 该算法把加速一阶方法与投影步骤结合，用于处理带光滑强凸正则的POT问题，区别于以熵正则为核心的既有计算路线。 证据为论文对算法结构的描述（交替的光滑更新与投影步骤）；摘要未报告迭代复杂度或收敛速率的具体数值。

在颜色迁移、域适应和点云配准三类经验基准上，该方法相较既有基线一致地取得更低传输代价、更高稀疏度与更快收敛。 把稀疏正则化POT从方法构想推进到多任务实证验证，覆盖视觉与迁移学习中的典型传输应用。 证据为摘要所述的三类任务经验基准对比，方向一致（更低代价、更高稀疏、更快收敛）；摘要未给出数据集规模、基线清单或具体指标数值。

该工作面向需要稀疏、可解释传输方案的部分最优传输应用场景，适用于颜色迁移、域适应与点云配准这类典型传输任务，并声明可容纳一大类促进结构化与稀疏传输方案的正则化子。对希望把稀疏正则化POT用于自身流程的研究者与工程师而言，该框架提供了以惩罚重表述实现梯度式更新、并以加速一阶算法交替执行光滑更新与投影步骤的路径。其适用性以摘要所述任务与正则化子类别为界。

摘要未报告数据集规模、基线清单、具体指标数值与运行环境，也未给出收敛速率或复杂度分析，因此更低传输代价、更高稀疏度与更快收敛的幅度尚不明确。惩罚重表述中惩罚参数的选择与敏感性、以及该框架在摘要所列三类任务之外的表现，属于读者可继续关注的方向。此外，本次可获取的文本为摘要层面，未包含图表与实验细节，若需评估具体数值表现，仍需查阅原文正文。