该研究提出了一种基于球面卷积网络的方法来处理 360° 全景图像，该方法可以有效地提取特征并利用预先训练的卷积神经网络，从而大大降低了计算量和提高了准确性。

Aug, 2017

通过智能旋转球形图像，开发一种基于强化学习算法的深度循环神经网络模型，以更少的计算量生成更具视觉吸引力的 360 度全景图。

Mar, 2018

本文提出了一种基于编码器 - 解码器卷积神经网络结构的相机姿态估计方法，通过单张 RGB 图像来确定相机的方向和位置，包括卷积、上卷积和回归，利用大规模分类数据的转移学习，研究表明该方法在不同光照条件、反射和运动模糊的数据上具有良好的性能表现，与其他仅仅使用测试帧序列的方法相比具有明显的优越性。

Mar, 2017

该研究介绍了构建球形 CNN 的基本模块，该模型可用于解决分子回归和全球气候建模等领域的问题，并通过实验证明了其计算效率、数值精度和有效性。

Jan, 2018

本文提出基于 Spherical Transformer 的方法，将球面信号转换为能够被标准 CNNs 直接处理的向量，从而使许多经过精心设计的 CNNs 架构可以通过预训练在不同任务和数据集中重复使用，该方法在球形 MNIST 识别，3D 物体分类和全向图像语义分割任务上具有优异性能。

Jan, 2021

本研究提出了一种基于球面构建的扩散网络来处理球面数据，该网络具有旋转等变性和计算可扩展性，并且可以与卷积神经网络（CNNs）相结合，使其可以适用于具有高分辨率球面信号的实际应用中。

Feb, 2021

使用基于图的球形卷积神经网络（CNNs）的金字塔特征网络（FPNs）设计了球形 FPNs，与球形 UNets 相比，我们的模型在 Stanford 2D-3D-S 数据集上表现出一致的改进，而且使用更少的参数，其 mIOU 为 48.75，在先前最好的球形 CNN 上提高了 3.75 个 IoU 点。

Jul, 2023

通过使用标准的卷积神经网络（CNNs）处理改进的球面居中投影和等距圆柱投影的等距视角图像，该研究实现了对广角图像进行语义分割的效果，相比于其他三种方法，该方法具有最高的平均交并比（IoU）值，分别提高了 23.85％、10.7％和 17.23％。

Oct, 2023

这篇研究论文介绍了如何通过提出新的模型组件、实现核心操作以及应用特定输入表示等关键改进来扩展球面 CNN，使其可用于更大规模的问题并在 QM9 分子基准测试的多个目标上达到最新水平，在多个天气预测任务中实现竞争性表现。

Jun, 2023

论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

Nov, 2017