利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

Mar, 2012

本文介绍广义散射变换作为深度神经网络数学模型，并探讨其在无监督和有监督学习及分类中的应用。

Jun, 2013

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

本文介绍了一种基于双树复杂小波和参数化对数变换的ScatterNet，用于提取具有平移不变性的多分辨率图像表示。该方法通过将偏态分布转换成相对的均值对称分布，从而帮助OLS修剪算法。在两个图像数据集上，该网络的性能表现优于Mallat的ScatterNet，不仅在分类准确性方面，而且在计算效率方面也有所提高。本文还使用不同的训练数据集大小对该方法与其他监督和一些非监督方法进行了比较与实验，展现了该网络的优势。

Feb, 2017

使用散射网络作为监督式混合深度网络的头几层的一般和固定初始化，结合局部编码可以达到与CNNs竞争的最佳结果，还可以在小样本情况下通过几何先验获得更好性能。

Mar, 2017

本文提出了一种用DTCWT ScatterNet卷积神经网络来改善训练的方法，通过将CNN的前几层替换为参数基于log的DTCWT ScatterNet，可以提取基于边缘的不变表示，从而使后续的CNN网络学习更高层次的特征。在CIFAR-10和Caltech-101数据集上，该方法的训练效率得到了显著提升，并且与预训练的CNN前端相比等效性能。

Aug, 2017

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