本文介绍了一种基于可平移、可旋转等变性的创新神经网络结构，采用可旋转滤波器和群卷积实现了对变换的兼容性，使用改进的权重初始化方案来提高准确率，在旋转 MNIST 基准测试和 ISBI 2012 2D EM 语义分割挑战中取得了良好表现。

Nov, 2017

本研究提出了一种基于可旋转和可缩放等变性的可旋转和可缩放等变滤波器 (RSESF)，用于数字组织病理学图像分析，实验证明该方法优于其他方法，并且训练参数更少，需要的 GPU 资源更少。

Apr, 2023

基于近期对旋转等变 CNN 的发现，我们提出了一种新的数字病理学分割模型，利用组织病理学图像在旋转和镜像下的固有对称性，在合理的方式下提高了肿瘤检测性能，并通过建立的衍生数据集和初始基准，将组织病理学诊断作为一个挑战的基准测试，以便进行基础机器学习研究的比较。

Jun, 2018

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

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

使用 MLP 来参数化 G - 可操作的卷积核，提出了一种简单灵活的 Steerable CNNs 框架，可推广到任何可建立 G - 等变 MLP 的群组 G。在点云（ModelNet-40）和分子数据（QM9）上应用我们的方法，与标准的 Steerable CNNs 相比，性能有显著提高。

Dec, 2022

使用偏微分算子建模 3D 滤波器，并推导出通用的可操纵 3D CNN，称为 PDO-s3DCNN。通过实验证明，在离散域中，我们的模型可以很好地保持等变性，并以低网络复杂度胜过以前的作品在 SHREC'17 检索和 ISBI 2012 分割任务中。

Aug, 2022

该论文提出了一种用于表面的网络架构，其中包含旋转等变的特征，以解决运输滤波器核时出现的旋转歧义问题。基于圆谐函数的卷积滤波器在离散层次上具有旋转等变性，将该方法应用于三角网中，并在形状对应和分类任务上进行了评估。

Jun, 2020