- 卷积操作中实现旋转不变性：从数据驱动到机制保证
基于不可学习算子（梯度、排序、局部二值模式、最大值等），本研究设计了一套旋转不变卷积操作（RIConvs），与传统卷积操作具有相同数量的可学习参数和类似的计算过程，可相互替换。在不同数据集上的实验证明，RIConvs 明显提高了卷积神经网络 - CVPR基于本地一致的旋转不变点云分析变换学习
通过学习局部一致性变换和保留局部几何关系，我们在点形状分析中提出了一种具有旋转不变性的局部一致变换学习策略，并通过相对姿态恢复模块来解决中间层网络中相对姿态丢失的问题，实现了在形状分类和部分分割任务中具备任意旋转下的竞争性性能。
- MaskLRF：基于局部参考帧的自监督预训练用于旋转不变的三维点云分析的掩码自编码器
这篇文章介绍了一种用于实际三维点集分析的旋转不变的自监督预训练框架，通过在局部参考帧中屏蔽自动编码的三维点来学习旋转不变且高度可推广的潜在特征，以提高对具有不一致方向的三维点集的准确性。
- 旋转不变点云分析的通用框架
我们提出了一种基于深度学习的点云分析通用方法，对输入具有旋转不变性。通过将其作为置换不变问题进行公式化，并提出了一个通用框架，可与任何骨干网络结合使用，我们的方法在常见基准测试中相较于最先进的方法表现出显著或更好的性能，对于 3D 预训练和 - MM无人机中旋转不变的物体识别变压器
我们提出了一种新颖的旋转不变视觉变形器（RotTrans），利用视觉变形器的结构特点，在高级特征的基础上建立不变度约束，以增强模型对大旋转差异的鲁棒性。在最新的 UAV 数据集上，我们的模型表现优于现有的最先进技术，其 mAP 和 Rank - 旋转不变补全网络
本文提出了一种名为 Rotation-Invariant Completion Network (RICNet) 的网络，它由两个部分组成：双流水线完成网络 (DPCNet) 和增强模块。RICNet 在特征提取方面实现了更好的旋转不变性， - 评估 3D 形状分析方法对旋转不变性的稳健性
本文通过对 3D 形状描述符的健壮性进行分析来评估其在 SO (3) 旋转（形状建模的基础）下的性能，并针对此任务考虑了不同方法的特征提取和分类。研究表明，针对相对简单的场景深度学习无法解决较大旋转差异或高难度对的问题，但是将旋转不变性设计 - CVPR旋转不变点云匹配变换器
本文提出了 RoITr，一个应用于点云匹配任务的旋转不变转换器，分别从局部和全局两个层面贡献，其中局部级别引入了嵌入 PPF 坐标的注意力机制，全局阶段则提出了一个旋转不变的跨帧自注意力机制，获得了远超现有方法的性能。
- AAAI通过点云配准重新思考旋转不变性
该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的 3D 形状分类、部分分割和检索任务中。
- SO (3) 近似等变小波 Needlet 卷积
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。
- RIConv++：针对 3D 点云深度学习的有效旋转不变卷积
本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。
- AAAI卷积神经网络中的区域旋转层
本文提出一种可插入到既有卷积神经网络中的模块，直接将旋转不变性整合到 CNN 的特征提取层中，而不会增加模型复杂度，通过仅对立体数据进行训练，在旋转测试集上也能表现良好，这将适用于生物医学和天文学等难以获取垂直样本或目标没有方向性的领域，评 - MM只假设一次：使用旋转等变描述符进行点云配准
本文提出了一种基于局部描述符的新型点云配准框架 You Only Hypothesize Once（YOHO），通过群等变特征学习技术获得旋转不变性，同时具有旋转等变性，从而仅需一个对应假设即可估计配准，大大提高了效率和准确性。实验证明，相 - 使用对齐的边缘卷积神经网络学习点云的旋转不变表示
提出了一种名为 Aligned Edge Convolutional Neural Network (AECNN) 的神经网络，通过学习相对于局部参考框架的点云特征表示来实现旋转不变性，并在点云分类和部分分割任务中表现出比其他技术更强的鲁棒 - ICML关于普适对抗和不变扰动
本文研究使用 CNN 以及其衍生的 GCNN 在旋转不变性训练方面的成果，以及在特定谱属性下所提出的通用性对抗性扰动技术 SVD-Universal 的效果与普适性。
- 深度点云分析的旋转不变框架
本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示 - 旋转不变的点云分类方法：局部几何与全局拓扑相结合
本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部 - 全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。
- 基于主成分分析赋予深度 3D 模型旋转不变性
本文提出了一种新的方法，利用本征参考系和主成分分析技术，使得深度模型在训练时具有旋转不变性，并经过了广泛的实验证明了其性能。
- 3D 点云旋转不变卷积深度学习
本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在 6 自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。
- CVPR平滑密度下的 3D 点云匹配
提出了一种基于三维点云的全工作流程，利用卷积神经网络和全卷积层来匹配三维点云，利用兴趣点体素化光滑密度值 (SDV) 表示，从而实现旋转不变性，并在 3DMatch 基准数据集上取得了 94.9% 的平均召回率，性能比同类方法提高了 20%