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

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

我们引入了一种两层小波散射网络，可用于物体分类，该两层卷积网络不涉及学习和最大池化，通过初始化第一层的小波滤波器，能够在形态物体变量和杂波等复杂图像数据集上高效执行。

Dec, 2013

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

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

本文提出了一种用DTCWT ScatterNet卷积神经网络来改善训练的方法，通过将CNN的前几层替换为参数基于log的DTCWT ScatterNet，可以提取基于边缘的不变表示，从而使后续的CNN网络学习更高层次的特征。在CIFAR-10和Caltech-101数据集上，该方法的训练效率得到了显著提升，并且与预训练的CNN前端相比等效性能。

Aug, 2017

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

本研究使用Lipschitz连续的embedding以及wavelet Scattering transform计算深度卷积生成网络，不需要被鉴别器或编码器优化，并且具有类似GAN或VAE的属性。

May, 2018

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

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