生成モデルにおいて、ワッサーシタイン距離（Wasserstein Distance: WD）は生成データ分布と実際のデータ分布の乖離を測定する有用な指標として注目を集めています。しかし、高次元分布のWDを近似することは困難です。これに対して、スライストワッサーシタイン距離（Sliced Wasserstein Distance: SWD）は高次元分布を複数の一次元周辺分布に分解し、その近似が容易になるという特徴を持っています。本論文では、原始的なSWDと双対的なSWDの新たな近似方法を提案します。従来のSWD近似手法では大量のランダム投影を使用していましたが、我々はエンドツーエンドの深層学習方式で少数のパラメータ化された直交投影を使用してSWDを近似することを提案します。我々のSWD近似手法の具体的な応用例として、現代の生成フレームワークであるオートエンコーダ（Auto-Encoders: AE）とジェネレーティブアドバリアスネットワーク（Generative Adversarial Networks: GAN）に装備するための2種類の微分可能なSWDブロックを設計しました。実験では、提案した生成モデルが標準的な画像合成ベンチマークで優れた性能を示すだけでなく、無教師設定における挑戦的な高解像度画像および動画生成でも最先端の性能を達成していることを示しています。