该论文介绍了一个新的深度学习模型，称为 Gabor 卷积网络（GCNs），它将 Gabor 滤波器结合到深度卷积神经网络（DCNNs）中以增强对方向和尺度变换的抵抗力，并实现了在对象识别中的超大类能力，并减少网络参数。

May, 2017

本文提出一种可插入到既有卷积神经网络中的模块，直接将旋转不变性整合到 CNN 的特征提取层中，而不会增加模型复杂度，通过仅对立体数据进行训练，在旋转测试集上也能表现良好，这将适用于生物医学和天文学等难以获取垂直样本或目标没有方向性的领域，评估结果表明本模块能够有效提高 LeNet-5，ResNet-18 和 tiny-yolov3 的性能表现。

Feb, 2022

通过在卷积神经网络中应用旋转等变性，本文提出了 DSF-CNN 模型，它使用群卷积在密集连接结构中使用多个旋转拷贝作为每个过滤器的线性组合，以减少可训练参数的数量，并在肿瘤分类、细胞核分割以及多组织核分割等三个计算病理学任务中实现了最先进的性能表现。

Apr, 2020

本文介绍了一种基于可平移、可旋转等变性的创新神经网络结构，采用可旋转滤波器和群卷积实现了对变换的兼容性，使用改进的权重初始化方案来提高准确率，在旋转 MNIST 基准测试和 ISBI 2012 2D EM 语义分割挑战中取得了良好表现。

Nov, 2017

本文研究使用深度卷积神经网络来解决连续物体方位估计任务，并通过比较三种连续方位估计方法的效果证明，将连续方位估计任务转化为离散方位估计任务并使用均值漂移算法将离散方位估计结果转化回连续方位，其中基于离散化的方法不仅性能更好，而且达到了最先进水平。同时，文章也说明了在适应图像识别任务的深度卷积神经网络中，寻找合适的特征表示是获得良好性能的关键。

Feb, 2017

本文中，我们提出了旋转等变向量场网络（RotEqNet），这是一种卷积神经网络（CNN）体系结构，可以编码旋转等变性、不变性和协方差性，并在图像分类、生物医学图像分割、方向估计和拼接匹配等多个问题上进行了测试。结果表明，相较于许多数量级更大的网络，RotEqNet 可以提供非常紧凑的模型，并提供与后者类似的结果。

Dec, 2016

本文提出了一种卷积神经网络的结构 RotEqNet，该结构能够通过旋转卷积操作和向量场编码等方法实现对遥感图像中同一对象不同方向的识别，提高了识别准确率并大幅度减少了参数数量。

Mar, 2018

通过人工心理旋转概念提出了一种新的深度学习范式，即人工心理旋转（AMR），用于处理平面旋转，该实现适用于所有常见的卷积神经网络（CNN）和视觉变换器（ViT）架构，并在多个数据集和架构上显著优于现有技术，还能改善其他任务的性能。

Nov, 2023

作者提出了一种基于循环层、单调层和去循环层的深度旋转等变网络（Deep Rotation Equivariant Network），该网络可在滤波器层进行旋转变换，而不是特征映射层，从而显着提高了运行速度，减少了存储空间，并在 Rotated MNIST 和 CIFAR-10 数据集上证明了它能提高最优架构的性能。

May, 2017

本文提出了一种名为 RotDCF 的同变卷积神经网络，通过将卷积滤波器分解成联合可旋转基，来处理图像的全局形变，在保持性能的同时，显著减少了模型大小和计算复杂度，并证明了同变表示对输入变化具有稳定性。

May, 2018