本文介绍了一系列新型点云卷积运算符和网络，旨在实现旋转不变性，提升点云分类和分割的精度。研究提出了结合局部几何特征和全局拓扑特征的网络结构，解决了点排序问题，并在多个点云分析任务中取得了最先进的效果。

本文提出了一种新型卷积算子，增强了旋转不变性，提升了点云分类、分割和形状检索的精度。通过设计旋转不变特征，结合现有CNN模型，优化了图像分类任务的表现，适用于生物医学和天文学等领域。

本文提出了一种具有旋转不变性的局部一致变换学习策略，解决了点云分析中的相对姿态丢失问题。通过结合对比学习和几何方法，提升了形状分类和部分分割任务的性能。此外，研究还介绍了无对应点云旋转配准方法和自监督预训练框架，均显示出优于现有方法的效果。

本文综述了基于等变卷积神经网络的多种算法，包括G-CNN、SE(3)群卷积核、球面卷积和旋转不变小针卷积等，应用于自然图像分类、医学影像分割、断层成像和蛋白质结构预测。这些方法利用旋转与反射对称性，提升了样本效率、泛化能力和计算效率，在多项基准上优于传统CNN。