本文对 CapsNets 的鲁棒性进行系统分析与评估，与传统卷积神经网络进行全面比较，结果表明 CapsNets 在对抗性样本和仿射变换方面具有更好的鲁棒性，且动态路由对提高 CapsNets 的鲁棒性不贡献太多，而主要的贡献来源于通过胶囊实现的分层特征学习。
Apr, 2023
介绍了胶囊网络的基本概念和动机，以及它们在图像识别、视频、自然语言处理、医学成像等领域的广泛应用，探讨了胶囊网络研究中的主要障碍和未来研究的方向。
Jun, 2022
本文主要研究通过对输入进行类别有条件的重构来检测对抗样本，使用重构攻击来进攻检测机制，并发现 CapsNets 总是表现更好，进一步诊断 CapsNets 的对抗样本，发现了视觉相似性与攻击成功率之间的高度相关性。
Jul, 2019
本文提出使用胶囊网络作为图像合成的生成对抗网络体系结构，与使用卷积神经网络的现有体系结构相比，我们提出的 GAN 结构可以更快地学习数据流形，并在更少的训练样本和训练时期中合成视觉精度更高的图像。
Jun, 2018
本文提出了使用非参数核方法对胶囊网络进行训练的一种改进方法，这种方法可提高胶囊网络的稳健性并提供有意义的不确定性测量，从而帮助检测敌对输入。该方法通过学习胶囊网络产生的表示来构建高斯过程的协方差核，并证明这种方法在提高对抗性干扰稳健性的同时实现了可比较的预测性能。
Jun, 2019
我们提出了一种改进的胶囊网络架构，包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块，为多标签分类任务提供了更好的可扩展性。
Oct, 2018
本文探讨了胶囊网络的效率问题，使用仅拥有 160K 个参数且具有高度并行可处理路由的极端架构，证明了我们提出的架构仍能够在三个不同的数据集上取得最先进的结果，并成功地开发了一种新型的非迭代路由算法。实验证明了我们方法的有效性和胶囊网络嵌入更易于泛化的视觉表示的能力。
Jan, 2021
DeepCaps 是一个使用三维卷积动态路由算法的深度胶囊网络架构，通过引入识别物理属性的类独立编码器网络，使用重构损失作为正则化项，实现在 CIFAR10，SVHN 和 Fashion MNIST 上胶囊网络领域最先进的结果，并减少 68％的参数。
Apr, 2019
比较 Capsule 网络和卷积神经网络（ConvNets），评估其在医学影像分析中使用少量标注数据和不平衡分类数据的表现，发现 Capsule 网络可以用较少的数据实现相同或更好的性能，并且更具有鲁棒性，非常有前景。
Jul, 2018
本文介绍了一种使用胶囊网络来检测各种欺骗的方法，从使用打印图像或记录视频的重放攻击到使用深度卷积神经网络的计算机生成视频，它将胶囊网络的应用扩展到了解决反向图形问题。