使用散射网络作为监督式混合深度网络的头几层的一般和固定初始化，结合局部编码可以达到与 CNNs 竞争的最佳结果，还可以在小样本情况下通过几何先验获得更好性能。

Mar, 2017

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

本文介绍广义散射变换作为深度神经网络数学模型，并探讨其在无监督和有监督学习及分类中的应用。

Jun, 2013

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

该研究将散射变换（scattering transform）推广到图像上并在此基础上构建了图卷积神经网络（convolutional neural network on graphs），证明了在特定条件下，该网络生成的任何特征对排列的变化具有近似不变性（invariance）和对图像操作的稳定性，并在相关数据集上展现出卓越的性能（numerical results）。

Mar, 2018

本文提出了一个叫做 Scattering GCN 的方法，将传统图卷积神经网络与几何散射变换和残差卷积相结合，以提高半监督节点分类的性能。实验结果显示，与最新提出的图神经网络相比，这种方法在处理图数据时具有优越性能。

Mar, 2020

本文介绍一种稀疏散射深度卷积神经网络，通过散射变换和字典编码实现了高精度的分类识别。

Oct, 2019

应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

Jul, 2023

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

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