该研究介绍了构建球形 CNN 的基本模块，该模型可用于解决分子回归和全球气候建模等领域的问题，并通过实验证明了其计算效率、数值精度和有效性。

Jan, 2018

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

本文介绍了一种新的网络结构 —— 球面卷积网络，用于处理具有旋转不变性的分类问题，并通过在球面上进行卷积和旋转权重共享来实现旋转等变性。实验结果表明，球面卷积网络在处理类似于 MNIST 的数据集时具有很高的准确率。

Sep, 2017

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

介绍了一种新型球形卷积神经网络，使用自旋加权球形函数，实现在球形空间内的非均向滤波，适用于分类球形图像、3D 形状和球形全景图像的语义分割，并在实验中展现了优越性。

Jun, 2020

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

本文提出基于 Spherical Transformer 的方法，将球面信号转换为能够被标准 CNNs 直接处理的向量，从而使许多经过精心设计的 CNNs 架构可以通过预训练在不同任务和数据集中重复使用，该方法在球形 MNIST 识别，3D 物体分类和全向图像语义分割任务上具有优异性能。

Jan, 2021

本文提出了一种球形卷积核，用于高效图形卷积处理 3D 点云数据，应用于图形神经网络中，实现点云分类和语义分割。

Sep, 2019

本文提出了一种适用于球形映射的基于图表达的卷积神经网络 DeepSphere，该方法在宇宙学领域中有着广泛的应用，通过对弱透镜质量图的分类问题的实验结果显示，DeepSphere 在高噪声和数据覆盖只有较小部分球面的情况下，通常比其他基线分类器在分类精度上提高 10%。

Oct, 2018