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

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

本文提供了一种基于群表示理论和非交换谐波分析的方法来学习球面图像的创新性的构架，对于构建对紧致群的操作不变的神经网络具有普适性。

Jun, 2018

使用再生核 Hilbert 空间的机器，描述卷积网络的函数空间和光滑性，研究了卷积网络的函数分解和统计界限，并突出显示了逼近误差和估计误差之间的有趣权衡。

Mar, 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

该研究提出了一种新的互域变分高斯过程模型，使用球谐表示法将数据映射到单位超球面上，并采用类似变分傅里叶特征的推理方案，这使得模型能够在保持最先进准确度的同时，比标准稀疏高斯过程模型快出两个数量级拟合具有600万个条目的回归模型，并在具有非共轭似然函数的分类问题上展现出有竞争力的性能。

Jun, 2020

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

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

本研究分析了卷积神经网络（CNN）在球形图像分类和语义分割中旋转等价性的角色，并以MNIST和FashionMNIST数据集为基础，比较了S2CNNs和标准非等变CNNs的性能与推理时间等因素的权衡考虑。研究发现，对于固有的旋转不变的任务，通过大幅增加数据扩增和网络规模，标准CNNs可以达到与等变网络至少同样的性能，而对于固有的等变任务，非等变网络始终无法达到等变网络的性能水平。

Feb, 2022

本研究提出了一种针对球形信号的旋转不变小针卷积方法，它可以在多个旋转尺度上提取旋转不变的特征，同时可以应用于量子化学回归和宇宙微波背景去噪重构等科学问题中，并且具有多分辨率表示的强大的可扩展性。

Jun, 2022