本研究提出了一种基于变换对称性等效性原则的神经网络架构设计方法，并将此原则扩展至局部规范变换领域，以实现在流形上的卷积神经网络，提高了全景图像与全球气候图案分割等任务的性能。

Feb, 2019

该研究旨在为卷积神经网络设计一种与坐标系选择无关的卷积算法，在非欧几里得流形上实现平移不变性的同时，阐明了基于纤维丛的坐标无关卷积算法在欧几里得流形、球面、和一般曲面上的应用。

Jun, 2021

本研究提出一种新型的基于 Riemannian 同质空间函数样本的高阶 Volterra 卷积神经网络 (VolterraNet)，实现了对模型的对称性以及卷积操作的泛化，在有关分类任务的实验中，与其他先进模型相比，取得了较好的性能，为传统卷积神经网络提供了新思路。

Jun, 2021

本文介绍了群等变神经网络及其在机器学习中的应用及理论，其中包括群表示理论、非交换调和分析和微分几何等内容，研究结果表明这些网络可以降低样本和模型的复杂性，在输入具有任意相对角度的挑战性任务中表现出色。

Apr, 2020

本文提出了一种基于等规反变的网络结构，使用各向异性卷积核来应用于网格类型数据，得到了比传统的卷积神经网络更加显著的效果。

Mar, 2020

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

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

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