SplineNets 是一种新颖的卷积神经网络中使用条件的实用方法，可以显著降低 CNN 的运行时复杂度和计算成本，同时保持甚至提高精度。

Oct, 2018

在这篇论文中，我们提出了一种基于 B 样条的模块化框架，用于在任意 Lie 群中设计和实现 G-CNNs 的方法，并在两个基准数据集上研究其影响和潜力。

Sep, 2019

提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。

Oct, 2023

该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

Jun, 2016

本文研究基于图信号处理和卷积定理的图卷积神经网络方法，利用图傅里叶变换和谱乘法构建卷积和池化层，使用代数多重网格方法降低图分辨率，以深度学习方式解决机器学习中的空间不规则问题。实验结果表明，该方法在手写数字分类问题上的成绩优于传统 CNN 方法。

Sep, 2016

本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积，并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明，相较于现有技术有显著提升。

Jan, 2021

介绍了一种基于无限宽的 ReLU 神经网络随机特征内核的 3D 表面重建技术，它能够超越最近的神经网络技术和 Poisson 表面重建方法，提供了一种简单且易于分析的内核公式，并证明其为更高维度的三次样条插值的推广。

Jun, 2020

本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。

Jan, 2019

本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

Oct, 2017

本文提出了一种新颖的图卷积算子，通过对网格的本地顺序强制执行连续性，实现对固定底层图形的归纳偏差建模，并将其作为传统深度生成建筑的构件，以多种 3D 形状数据集为例，与线性 Morphable Model 和其他图卷积算子相比，展示出最先进的结果。

May, 2019