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

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

本文介绍了在网络数据中使用多分辨率图形小波的散射变换，并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健，特别适用于转移学习、拓扑估计或时变图的情况。

Jun, 2019

通过小波卷积和模运算，计算多阶调制谱系数，得到一种可以稳定处理时间扭曲的局部平移不变表示，可用于音乐类型和电话语音方面的分类，并取得了最新的分类结果。

Apr, 2013

通过计算基于小波卷积和模量非线性的联合时频散射变换，作者提出了一种具有时间平移不变性的信号表示方法，并且通过应用于鸣号信号和音频综合实验，证明了其适用于时序分类问题，并且在音频分类任务中获得了与全连接网络可比的高准确率。

Jul, 2018

使用浅层卷积神经网络学习判别滤波器的一种方法，直接编码旋转不变性以提取旋转不变的特征，实现了与标准浅层卷积神经网络相比更高的分类性能并减少了一个数量级的参数量。

Apr, 2016

本文构建了 L2 (R^d) 上的平移不变算子，并证明了其对于相应微分同胚的 Lipshitz 连续性；同时，提出了散射算子的概念，并将其应用于频率分布不同的过程的辨别；最终，将散射算子扩展到了 L2 (G) 上，并成功定义了平移旋转不变的散射算子。

Jan, 2011

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

本文论述了通过扩展散射变换到非欧几里得域并使用扩散小波，可以在保持度量变化稳定性的同时，获取能够捕获类似于欧几里得散射的高频信息的稳定表征的研究。

Jun, 2018