本研究解决了隐式神经表示（INRs）在训练数据有限的情况下生成多样化权重的难题。我们提出的EquiGen框架通过将功能相似的网络转化为彼此形成的等变组，在有限数据下实现了有效的多样化生成，实验结果表明该方法能够在少样本情况下保持功能特性。

本研究解决了非酒精性脂肪肝病（NAFLD）诊断和分级面临的挑战，特别是在非特异性症状和肝活检的侵入性问题上。我们提出了一种新型人工智能级联模型，结合集成学习和特征融合技术，开发出一种非侵入性且可靠的诊断工具，实现了对NAFLD进展的早期检测。从而提高了对脂肪变性的分级准确率，14大幅提升了患者的早期诊断和干预能力，减轻了与进展性肝病相关的医疗负担。

本研究解决了ViT模型在3D空间关系理解中的不足，通过系统评估其学习3D等变特征的能力。我们提出了一种基于3D对应关系的有效微调策略，显著提高了现有视觉模型在3D对应理解上的表现，甚至仅通过对单个物体进行一次迭代微调就能获得显著的性能提升。

本研究解决了不同设计选择（如权重共享、等变性和局部滤波器）对神经网络样本效率的影响不明确的问题。通过统计学习理论，研究提供了对单隐藏层网络样本复杂度的界定，发现等变性的益处直接体现在界限中，并为一种池化操作的等变网络获得了无维数的界限。结果表明，样本复杂度在空间和频率域中过滤器参数化之间存在权衡。

本研究解决了从欠采样加速测量中重建动态MRI图像序列的问题。我们提出了一种无监督的框架，通过利用MRI的自然几何时空等变性来进行重建，显著优于现有的无监督方法，尤其是在高度加速的动态心脏成像中。这一方法由于独立于神经网络架构，具有广泛的适用性和潜在的影响。

本文探讨了对称嵌入网络（SENs）在复杂对称性数据中的应用，提出了多种提取和评估神经网络对称性的方法。研究表明，学习到的对称性质量与网络的深度和参数数量相关。通过构建多样化的模型集合和引入对称性检测框架，提升了分类性能和模型的泛化能力。这些方法在无监督学习和生成模型中表现良好，有效提高了模型的鲁棒性和性能。

本文介绍了一种基于MDP同态网络的深度强化学习方法，通过等变性约束提升智能体在对称环境中的性能和样本效率。研究表明，等变卷积神经网络在处理对称性方面表现优越，并在多智能体强化学习中具有良好的泛化能力。引入对称约束和正则化后，策略和价值函数的构建效率得以提升。

本文探讨了卷积神经网络在图像识别等领域的应用，提出了等变性和群作用的理论基础，研究了网络的等变性对性能的影响，并通过新的框架和自适应采样方法改善了模型性能，降低了计算需求。

DeepSeeNet是一种基于深度学习的系统，能够自动分类年龄相关性黄斑变性（AMD），其分类精度优于人类专家。该系统结合多模态输入和卷积神经网络，优化了AMD的检测和分类，显示出在临床应用中的潜力，尤其是在生物标志物发现和治疗靶点识别方面。

本研究旨在解决现有等变卷积神经网络在动态磁共振成像中未能充分利用旋转对称性的问题。提出了一种新颖的时空旋转等变卷积神经网络框架（SRE-CNN），通过设计高精度滤波器和构建时序等变卷积模块，充分利用动态MR图像的旋转对称性。实验结果表明，该方法在高达20倍欠采样的动态心脏影像重建中表现优越。

本文提出了一种基于半监督学习的3D目标检测模型，采用教师-学生机制和伪标签技术，在多个数据集上取得了优异的检测效果。研究强调高质量数据集和增强技术对提高检测精度和效率的重要性，尤其在自动驾驶领域表现突出。

本文介绍了多种神经网络模型的对称性和等变性技术，包括群卷积、元学习和自监督学习。这些方法在图像处理和物理系统建模中表现出色，提升了模型的鲁棒性和泛化能力。此外，研究提出了新颖的对称性检测方法，以解决非对称物体的识别问题。

本研究聚焦于3D物体检测与姿态估计，提出了多种深度学习模型，包括旋转等变卷积神经网络和对象级旋转等变检测器。通过引入对称性和优化技术，模型在多个数据集上显著提升了检测精度和效率。

这篇论文介绍了一种概率方法，用于学习可望属性网络中等变性的程度，通过将等变性的程度参数化为傅里叶系数上的概率分布，以建模几何对称性，而无需额外的层次结构，通过模拟层级和共享的等变性，这种方法可以适用于许多类型的等变性网络，并且可以学习任何紧致群的子群的等变性，同时实验结果表明该方法在具有混合对称性的数据集上具有有竞争力的表现，并且所学习的概率分布能够准确反映底层等变性的程度。

本文介绍了多种基于拓扑的深度学习方法，如局部拓扑模型、拓扑神经网络和持久同调技术，旨在提升图分类和节点分类的性能。这些方法通过结合拓扑信息与图神经网络，显著提高了预测能力，尤其在医学图像分类和三维视觉对象分类中表现突出。

本文探讨了通过规范化网络和数据相关先验知识提升大型预训练模型的等变性，从而增强计算效率和鲁棒性。提出了一种基于对称性神经网络的替代方案，证明其在学习规范表示方面优于传统方法，并在多个任务中展现出色性能。研究强调了等变性对数据效率和模型能力的积极影响。

本文探讨了自监督学习在图像去噪中的应用，提出了一种基于门控卷积的特征提取方法，并利用伯努利采样进行训练。实验结果表明，该方法在合成和真实数据集上均表现出色，具有良好的去噪效果和实用性。同时，文章分析了现有方法的局限性，并提出了未来的研究方向。

本文探讨了等变卷积神经网络（Equivariant CNNs）在训练强化学习智能体中的优势，尤其是在对称环境下的性能提升和样本效率。研究表明，该方法在处理具有欧几里得对称性的问题时，能够快速收敛，提高模型的稳定性和泛化能力，并在图像处理和机器人导航等任务中表现出更高的精度和效率。

本文提出了一种自监督框架，用于音频-视觉表示学习，显著提升了视频中声音源定位的效果。通过数据增强和新约束条件，模型在多个基准测试中表现优异，尤其在音频与视觉的对应学习和动作识别任务中取得了最先进的结果。