本論文では、リソース制約のある環境に対応したコンパクトで変換不変なモデルを生成するために、群同変畳み込みニューラルネットワーク（G-CNN）と同変意識構造プルーニングを組み合わせた新しいフレームワークを提案します。C4サイクリックグループを通じて回転に対する同変性が実現され、幾何学的変換における一貫した性能が確保される一方で、計算オーバヘッドが削減されます。このアプローチは、e2cnnレイヤー構造を分析し、全結合成分に対してニューロンレベルのプルーニングを適用することで同変特性を保持する構造プルーニングを導入します。また、精度の低下が2％を超えた場合に自動的にトリガーされる適応的ファインチューニングが実装されており、効率的な回復のために早期停止と学習率スケジューリングが用いられます。本フレームワークは、動的なINT8量子化を含む包括的なパイプラインを備えており、衛星画像（EuroSAT）や標準ベンチマーク（CIFAR-10、Rotated MNIST）で効果的であることが実証されています。実験結果は、29.3％のパラメータ削減を達成し、顕著な精度回復を示しています。