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

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

该论文提出了一种可定向前馈的学习方法，利用球面神经元对点云进行分类，得到具有旋转等变性的滤波器组建网络，利用三角形基础来推导滤波器并构建旋转等变性的球形滤波器组。

Jun, 2021

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

研究了一种基于图表示的方法，DeepSphere，在球形神经网络上设计卷积需要在效率和旋转等变性之间进行微妙的权衡，并且其性能卓越，甚至好于一些采用各向异性滤波器的方法。

Dec, 2020

本研究提出了一种新的不变和等变深度神经网络的泛化误差上界，并开发了一个称为 “商特征空间” 的方法来描述其对于一些属性的作用，证明了 “商特征空间” 的容积可以描述泛化误差并进一步表明不变性和等变性显著改善了误差上界的主导项，同时讨论了不变性 DNN 的表达能力并证明了其能够实现最佳逼近率，并通过实验结果验证了理论结果。

Oct, 2019

本文介绍了如何使用群论的思想模拟固体的拓扑结构和对称性，并提出了建立在此模型基础之上的神经网络模型，应用于气候数据和全向图像的语义分割。

Jun, 2021

介绍了局部等变于 3D 旋转，平移和点的排列的张量场神经网络；使用球谐函数构建滤波器，接受标量、向量和高阶张量作为输入，并在几何意义下保证输出。用于处理几何、物理和化学任务。

Feb, 2018

本文介绍了一种基于向量神经元的通用框架，用于创建点云处理的 SO（3）- 等变神经网络。通过扩展神经元从 1D 标量到 3D 向量，向量神经元使得我们可以将 SO（3）操作简单地映射到潜在空间中，从而提供了构建常见神经操作的等变性的框架，尽管方法简单，但在准确性和泛化性方面表现出色，是处理任意姿态下的几何输入的一种有效方法。

Apr, 2021

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