经典论文补充分析：清单是怎么来的，以及漏了什么
生成时间：2026-09-16 · 方法全部可复现，脚本在
tools/
一、先坦白：那份 76 篇清单是怎么来的
它不是检索出来的，是我凭领域知识"想"出来的。
| 环节 | 实际来源 | 可靠性 |
|---|---|---|
| 候选标题 | 我的领域知识（记忆中的 SLAM 经典工作） | ⚠️ 有召回偏差，会漏、会带个人偏好 |
| 论文是否存在、下载坐标 | 真实检索核实（IEEE /rest/search → OpenAlex → Crossref，标题相似度 ≥0.6 才保留） |
✅ 可复现 |
| 论文具体讲了什么 | 尚未读取 | ⏳ 属于后续精读阶段 |
所以这份清单只能是"候选池"，不能叫"系统性综述"。 靠记忆列清单的根本缺陷是： 我想不起来的论文，就永远进不了清单——而经典论文恰恰是最容易被"以为我记得"的东西。
二、用引用网络做了客观校验
为了不依赖我的记忆，做了一次引用网络反查（脚本 tools/citation_analysis.py + citation_resolve.py）：
- 取出语料中已收集论文的全部 DOI（126 个）
- 从 Crossref 逐篇拉取其参考文献列表 → 共 8563 条引用记录
- 统计每个被引 DOI 在本语料中出现的次数
- 排除已在库中的 → 剩下按频次排序，得到客观意义上的"缺失经典"
筛选门槛：出现在 ≥4 篇我们语料的参考文献里。
三、引用网络找到的、我漏掉的论文
3.1 SLAM/几何专项（44 篇候选，以下是重点）
我完全漏掉的、且确实重要的：
| 被引次数 | 论文 | 为什么重要 |
|---|---|---|
| 9 | A benchmark for the evaluation of RGB-D SLAM systems（2012 IROS） | TUM RGB-D 基准，几乎所有 RGB-D SLAM 论文的评测标准 |
| 7 | MonoSLAM: Real-Time Single Camera SLAM（2007 TPAMI） | 首个实时的单目 SLAM 系统，视觉 SLAM 的开端 |
| 6 | Bags of Binary Words for Fast Place Recognition（2012 T-RO） | DBoW2，ORB-SLAM 系列回环检测的核心技术 |
| 6 | 3-D Mapping With an RGB-D Camera（2014 T-RO） | 早期 RGB-D 稠密建图代表工作 |
| 6 | SLAM: A Survey of Current Trends in Autonomous Driving（2017 T-IV） | 自动驾驶场景的系统综述 |
| 5 | On-Manifold Preintegration for Real-Time VIO（2017 T-RO） | IMU 预积分的理论基础，VIO 必读 |
| 5 | DeepVO（2017 ICRA） | 端到端深度视觉里程计的开山之作 |
| 5 | D3VO（2020 CVPR） | 深度+位姿+不确定性联合学习的代表性工作 |
| 5 | Vision meets robotics: The KITTI dataset（2013 IJRR） | 自动驾驶 SLAM 最重要的数据集 |
| 4 | DS-SLAM（2018 IROS） | 语义+动态环境的早期代表 |
| 4 | UnDeepVO（2018 ICRA） | 无监督深度 VO |
| 4 | Visual Odometry [Tutorial]（2011 RAM） | 视觉里程计的经典教程 |
| 4 | Stereo Processing by SGM（2008 TPAMI） | 立体匹配经典算法 |
| 4 | Tightly Coupled 3D Lidar Inertial Odometry（2019 IROS） | 紧耦合 LIO 早期代表 |
| 4 | Inertial-Only Optimization for VIO Initialization（2020 ICRA） | VIO 初始化理论 |
| 4 | 3D is here: Point Cloud Library（2011 ICRA） | PCL，点云处理的事实标准库 |
引用了但我已收录的（说明我的记忆在"最主流的那些"上是准的）： Cadena 综述、VINS-Mono、ORB-SLAM/2、DSO、PTAM、SVO、LSD-SLAM、DTAM、MSCKF、ROVIO、 Cartographer、LOAM、LIO-SAM、FAST-LIO、SuMa++、MULLS、CodeSLAM、CNN-SLAM、Kimera 等。
3.2 通用骨干网络/检测器（9 篇，本身非 SLAM）
| 被引次数 | 论文 |
|---|---|
| 17 | Deep Residual Learning for Image Recognition（ResNet） |
| 7 | Swin Transformer |
| 6 | Going deeper with convolutions（GoogLeNet） |
| 5 | Focal Loss for Dense Object Detection |
| 5 | Distinctive Image Features from Scale-Invariant Keypoints（SIFT） |
| 4 | Pyramid Vision Transformer / Mask R-CNN / ResNeXt / FCN |
这类被高频率引用，是因为它们被语义 SLAM、动态 SLAM 当作前端感知模块使用。 它们本身不是 SLAM 论文，但理解 SLAM 的"学习式前端"分支需要知道它们。
四、结论
- 记忆式清单确实漏了东西：至少 16 篇重要 SLAM 工作（含 MonoSLAM、DBoW2、IMU 预积分的理论基础） 是引用网络才暴露出来的。
- 但记忆式清单也不是没用：最主流的那些（ORB-SLAM、VINS、LIO-SAM、FAST-LIO 等） 和引用网络的结果高度重合，说明它对"主干"的判断是可靠的，主要漏洞在"分支与理论根基"。
- 正确做法是两条路合并： - 检索驱动（关键词 × 顶刊白名单 × 引用排序）→ 保证覆盖面和无偏 - 引用网络驱动（参考文献反查）→ 保证不漏理论根基和分支经典 - 记忆式清单 → 只用来做起点，绝不做唯一依据
本次已经把引用网络发现的 44 篇 SLAM 专项论文中可下载的 46 篇补入下载队列。
五、可复现的脚本
| 脚本 | 作用 |
|---|---|
tools/citation_analysis.py |
拉取语料全部参考文献，统计频次 |
tools/citation_resolve.py |
从缓存重算并解析缺失经典的元数据 |
tools/citation_to_manifest.py |
转成可下载清单（IEEE DOI 反查编号 + 按前缀路由出版商） |
tools/expand_corpus.py |
检索驱动的扩量（IEEE 候选池复用 + Crossref 跨出版商） |
tools/matchutil.py |
标题匹配公共工具（解决连字符/通配符两个坑） |
本页由
outputs/经典论文补充分析.md 预渲染生成。公式以 MathML 呈现，浏览器原生渲染，不依赖外部脚本或字体 CDN。