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

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

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

通过权重共享和卷积核重新缩放的方式，基于一些普遍的先决条件，建立了精确的尺度卷积等变性，并为所有情况找到了确切的解，并计算其余近似值。这种离散尺度卷积具有重要意义，能在 MNIST-scale 和 STL-10 的监督学习中达到最新分类性能，并通过 OTB-13 上尺度等变 Siamese 跟踪器改进了计算效率。

Jun, 2021

本研究探讨了等变网络在断层扫描成像应用中的重要性，通过解决卷积神经网络在医学成像系统后处理中的局限性，引入了一种能够减少对特定训练集依赖的等变网络，并验证了球面信号上球面卷积神经网络 (SCNNs) 在去噪和重建基准问题中的优越质量和计算效率，同时利用 SCNNs 作为传统图像重建工具的补充方法，提高成像结果质量并降低对训练集的依赖，本研究观察到 SCNNs 与 CNNs 相比，在保持相同或更高的图像处理质量的同时，显著降低了计算成本，并初步探索了其在更广泛断层扫描成像应用中的潜能，特别是那些需要全方位表示的应用。

Jul, 2023

本文通过分离一个连续的 SO（3）（旋转）内核和一个连续的空间内核来设计一个 SE（3）群卷积核，通过在均匀的 SO (3) 网格上进行 RBF 插值来参数化连续的 SO (3) 内核，对临床任务的分析显示，我们的 SE（3）等变模型在挑战性医学分类任务上始终优于 CNN 和定期离散 G-CNN，并显示显着改进的泛化能力；我们的方法比定期 CNN 的正确率提高了高达 16.5％。

Jun, 2023

本文介绍了一种基于球形卷积网络的 2D 图像嵌入学习方法，在不需要特定任务的监督下，利用其等变结构特征解决了姿态估计和新视角合成等应用。

Dec, 2018

使用偏微分运算符建立一个旋转等变的球面等变卷积神经网络 ——PDO-eS2CNN，并在理论上分析了球面上等变性误差，并在多个任务中的表现优于其他球面卷积神经网络。

Apr, 2021