本文介绍了一种针对三维数据的尺度等变卷积神经网络层，可以在医学图像分割中实现尺度等变，相关的实验证明了该方法的有效性。

Apr, 2023

介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

Apr, 2018

本研究提出了一种自我监督的单眼深度学习框架 - 密度体构建网络（DevNet），可以考虑三维空间信息并利用相邻相机锥体之间更强的几何约束，并通过沿着对应光线积分来生成深度图。

Sep, 2022

在自动驾驶领域，应用 TED 模型能够高效地检测汽车等 3D 物体。TED 利用稀疏卷积提取多通道等变体素特征，使得其在处理大量数据时仍然能快速的检测物体。同时，在 KITTI 竞赛的排名上表现十分出众，达到全球第一。

Nov, 2022

提出了一种具有对象级旋转等变性的 3D 物体检测器，EON，其通过旋转等变性悬挂设计来提取具有局部对象级空间支持并能够建模交叉对象上下文信息的等变特征，可应用于现代点云物体检测器，如 VoteNet 和 PointRCNN，以利用场景尺度下的物体旋转对称性，能够显著提高现有最先进 3D 物体检测器的表现。

Apr, 2022

本研究提出了一种基于群等变理论的 GeqBevNet，将群等变概念引入到 BEV 融合对象检测网络中，从而促进了 BEV 级别的旋转等变特征提取，从而降低了平均方向误差，并能提取出更多的等变特征来改善实际道路场景中的 3D 对象检测和目标定位性能，实验证明 GeqBevNet 可以将 mAOE 减小到 0.325。

Apr, 2023

本文介绍了一种使用深度学习模式进行三维形状描述子学习的方法，在未定向输入数据的情况下创建坚固有力的旋转等变表示，并在测试时定义一个良好的规范方向。

Sep, 2019

本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

Mar, 2021

本文提出了一种基于群卷积的多视图融合方法，实现对所有视图的联合推理，并通过对旋转群的离散子群进行卷积来维持等变性，从而在多个大规模的 3D 形状检索任务中取得了新的最高水平，并且在全景场景分类方面也有额外的应用。

Apr, 2019

本研究介绍了一种基于多视角几何的 3D 物体检测方法 VEDet，通过视点感知和等变性，利用查询式转换器系统将三维场景转化为位置编码来提高目标定位精度，并在损失层面进行多视角一致性规范化，通过丰富的几何线索提高性能以优化现有方法。

Mar, 2023