DeepSphere：基于图形的球形 CNN
通过将离散化球体建模为图形，我们可以容纳非均匀分布、部分和变化的采样。此外，图形卷积比球形卷积计算效率更高。通过使用 Defferrard 等人（2016）介绍的图形神经网络，我们讨论了如何实现旋转等变性，在旋转不变学习问题上表现良好。
Apr, 2019
本文提出了一种适用于球形映射的基于图表达的卷积神经网络 DeepSphere，该方法在宇宙学领域中有着广泛的应用，通过对弱透镜质量图的分类问题的实验结果显示，DeepSphere 在高噪声和数据覆盖只有较小部分球面的情况下，通常比其他基线分类器在分类精度上提高 10%。
Oct, 2018
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
本文提出了基于超球面的学习框架 ——SphereConv，以及其在超球面上的深度学习网络 SphereNet，使用广义角 softmax 损失函数实现监督。实验证明，SphereNet 能够有效编码具有辨别力的特征表示并缓解训练困难，使优化更容易，收敛更快，并且分类准确度（甚至更好）与基于传统卷积的网络相当。
Nov, 2017
介绍了一种新型球形卷积神经网络，使用自旋加权球形函数，实现在球形空间内的非均向滤波，适用于分类球形图像、3D 形状和球形全景图像的语义分割，并在实验中展现了优越性。
Jun, 2020
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
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
提出了一种广义的球形卷积神经网络框架，其中包括了各种现有方法，并允许它们同时被利用。通过开发两个新的严格相等层，其复杂度已经被降至可行水平，使球形 CNNs 的更大、更具表现力模型能够被计算出来。通过这些发展，展示了对于球形基准问题，能够构建更具表现力的混合模型，达到最新的精度和参数效率。
Oct, 2020