本文提出一种框架，通过引入 SE（2）-group 卷积层在卷积神经网络中编码 SE（2）特殊欧几里得运动群的几何结构，实现了平移和旋转等变性。该结构可以学习具有离散定向维度的特征表示，并确保其输出在离散旋转集下具有不变性。在三种不同的组织病理图片分析任务（有丝分裂检测，细胞核分割和肿瘤分类）上，该框架取得了一致的性能提高。

Feb, 2020

本文通过分离一个连续的 SO（3）（旋转）内核和一个连续的空间内核来设计一个 SE（3）群卷积核，通过在均匀的 SO (3) 网格上进行 RBF 插值来参数化连续的 SO (3) 内核，对临床任务的分析显示，我们的 SE（3）等变模型在挑战性医学分类任务上始终优于 CNN 和定期离散 G-CNN，并显示显着改进的泛化能力；我们的方法比定期 CNN 的正确率提高了高达 16.5％。

Jun, 2023

该研究提出了一种基于耦合群卷积的旋转、缩放和平移等变卷积神经网络 RST-CNN，该网络通过稳定性分析可证明具有变形鲁棒性，能在旋转、缩放和平移等输入畸变的情况下保持等变性，从而在 MNIST、Fashion-MNIST 和 STL-10 数据集上实现了显著提升。

Nov, 2021

在这篇论文中，我们针对 SE2 提出了一种计算框架，用于李群中的最优输运，并报告了在图像重心、平面方向场插值和 SE2 上的 Wasserstein 梯度流方面的宝贵进展。

Feb, 2024

我们提出了一种语义分割模型，利用旋转和反射对称性，扩展了等变 CNN 框架，通过引入新的等变（G-》Z2）- 卷积和等变转置卷积，实现了对组别特征图的变换与上采样，进而提高了样本效率和鲁棒性，并在癌症转移组织病理图像的多个数据组织方案的旋转等变分割任务上进行了评估，证明了利用更多对称性的高效性。

Jul, 2018

本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法，通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题，实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。

Feb, 2021

该研究提出了一种 Lie 群 - CNN 模型，利用群卷积模块的全连接网络和 Lie - 代数实现了尺度旋转等变性，进而成功地从图像中提取几何特征并实现了对图像的等变识别。

Jun, 2023

本文提出了一种卷积网络，它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据，并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性，这些问题均具有 SE（3）对称性。

Jul, 2018

介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

Apr, 2018

该研究描述了在可旋转卷积神经网络框架中的 $E (2)$- 等变卷积，提出了转换特性表示描述特征空间变换法则的群表示。研究人员证明了这些约束可以通过使用不可约表示约简为任意群表示的约束，并通过实现一系列先前提出的和全新的等变网络架构进行了广泛比较，表明当用作非等变卷积的替代品时，在 CIFAR-10、CIFAR-100 和 STL-10 上使用 $E (2)$- 可旋转卷积可以取得显著的改进。

Nov, 2019