该文通过波展分解和复模计算局部散射向量描述符，使用 PCA 模型选择进行监督分类，取得了手写数字识别和纹理分类的最先进结果。

Nov, 2010

我们引入了一种两层小波散射网络，可用于物体分类，该两层卷积网络不涉及学习和最大池化，通过初始化第一层的小波滤波器，能够在形态物体变量和杂波等复杂图像数据集上高效执行。

Dec, 2013

通过深度卷积网络在刚体运动分组上计算卷积，利用平移和旋转变量定义小波，实现了沿平移和旋转轴自适应不变性。该方法不仅保留关节旋转和平移信息，还能以任意所需比例提供全局不变性。文章通过对单个实现的稳定过程进行分类研究和分析，在多个纹理数据库上取得了最先进的结果，具有重要的旋转和缩放可变性。

Mar, 2014

本文提出了一种在未知图形几何的情况下对定义在图上的高维数据进行分类的方法 - 基于Haar散射变换，该变换能够计算出不变的信号描述符，并通过深度级联计算正交Haar小波变换来实现。此外，本文还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类在样本集上进行了测试。

Jun, 2014

本文介绍一种基于波浪变换滤波器的深度散射卷积网络，通过引入几何先验知识来细化图像特征提取，从而实现图像分类和理解的目标。

Dec, 2014

本文通过允许不同并且通用的半离散框架在不同的网络层中，进一步发展Mallat的理论，证明了广泛类别的特征提取器的平移不变性，并为比Mallat考虑的更大类别的变形稳定结果发展了结果。

Apr, 2015

本文提出了一种基于波浪变换、线性非线性映射、平移不变性和形变稳定性的特征提取器，可以适用于不同的网络层，并且在网络深度增加时特征越来越具有平移不变性；同时，本文还建立了对带限函数、卡通函数和Lipschitz函数等信号类应用的变形敏感度边界。

Dec, 2015

本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。

Sep, 2018

本篇论文探讨了散射变换从传统（如图像或音频）信号到图数据的归纳推广，类似于 geometric deep learning 中 ConvNets 的归纳推广，并研究了提取的图特征在图数据分析中的实用性，尤其关注这些特征保留数据中的信息变量和关联的能力，同时将我们的构建与之前的一些理论结果联系起来，这些结果建立在类似变换到图变形的家族上的稳定性上。 我们证明了在社交网络数据的图分类和生物化学数据的数据探索中应用了我们的几何散射特征。

Oct, 2018

本文介绍一种稀疏散射深度卷积神经网络，通过散射变换和字典编码实现了高精度的分类识别。

Oct, 2019