可操纵的 3D 球形神经元
本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性，并通过空间划分分层粗化数据表示。同时，该提议的球形核有系统地量化点邻域，以识别数据中的局部几何结构，同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核，从而避免了网络训练期间动态核生成，以实现高分辨率点云的高效学习，并在 3D 对象分类和分割的基准任务上取得了新的最先进状态，分别在 ShapeNet 和 RueMonge2014 数据集上。
Feb, 2019
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
本文提出了一种基于 Spherical CNNs 的自我监督训练的方法，能够学习并识别 3D 形状的标准方向，该方法被称为 Compass，并在多个公共数据集上实验，证明了其有效性。
Nov, 2020
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
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