1. 先搞清楚TPAMI是什么再谈审稿人你把手里的论文投出去第60天收到第一条审稿意见打开一看三份意见一份大修一份拒稿一份小修。这种心情我太熟悉了。TPAMIIEEE Transactions on Pattern Analysis and Machine Intelligence是计算机视觉、模式识别和机器学习领域公认的顶级期刊影响因子常年稳居前列国内高校和科研院所普遍把它视作A类期刊。跟CVPR、ICCV这些会议相比TPAMI的审稿周期更长平均半年到一年但一旦录用文章的分量也更重很多团队就是靠一篇TPAMI撑起整个博士阶段的核心成果。正因为它的地位审稿人看文章的眼光和会议审稿人完全不同。会议审稿看的是亮点、爆点你方法够新、结果够好就行细节瑕疵往往可以容忍。TPAMI不一样审稿周期长审稿人多半是这个领域深耕多年的研究者他们有时间抠细节有耐心做推演也更难被“花哨但不扎实”的工作打动。这篇文章我就结合自己中稿和被拒的经验把TPAMI审稿人真正关注的东西拆开讲清楚。不整虚的直接上干货。2. TPAMI审稿机制与审稿人画像2.1 先看审稿流程才知道谁在看你的文章TPAMI是单盲审稿审稿人知道作者是谁作者不知道审稿人是谁。这个机制的潜台词是审稿人可能和你同在研究一个细分方向他不仅见过你的论文还引用过你的相关论文甚至可能是你的直接竞争者。一篇TPAMI论文的完整流程是这样的投稿到ScholarOne系统编辑做初步筛查范围不符或者质量明显不足的直接desk reject。通过初筛后编辑指定一名副主编Associate EditorAE负责统筹由AE邀请3到4名审稿人。审稿人独立评审通常耗时2到3个月返回意见。AE根据审稿意见作出初步决定大修、小修或拒稿。大修后可能再次送审甚至多轮循环。最终由主编确认决定。这里要特别注意一点TPAMI的Associate Editor权力很大。AE自己通常也是领域内有名的教授他对一篇论文的总体判断会直接影响最终结果。如果你的论文让AE读完之后觉得“这个工作不像是TPAMI级别的”那审稿人意见再温和也大概率被拒。2.2 审稿人都是什么人他们的立场决定了关注点能够被AE邀请审TPAMI的人至少在相关方向发表过若干篇高质量论文。这些人的身份主要有三类第一类是高校教师和研究员。他们自己手里有一堆学生要带有基金项目要结题审稿既是学术义务也是了解最新动态的手段。他们关注的是这篇论文有没有解决一个真问题方法有没有推广价值能不能给后续研究提供启发。第二类是博士后和资深博士生。这个群体往往是被导师拉来帮忙审稿的他们最接地气会极其仔细地看你的实验设置、参数选择、代码是否能复现因为他们自己就被这些问题折磨过。第三类是工业界的研究员。大厂研究院里的人审稿时特别看重实用性和可复现性你的方法在真实场景中到底跑不跑得动复杂度能不能接受他们都会认真掂量。有意思的是TPAMI审稿人和会议审稿人的心态差别很大。会议审稿人一个月要审十几篇时间紧任务重很多意见写得潦草而且委员会投票机制会稀释单个审稿人的影响力。TPAMI审稿人面对一篇长达14页、附录还有十几页的论文审稿周期又长他们更容易进入“逐字逐句”的阅读状态。这意味着你的每一个公式、每一行算法伪代码、每一张实验表格都可能被单独拎出来研究。2.3 审稿人关心的三个终极问题把不同审稿人的立场剥开最后都会归结到三个问题上这篇论文解决的问题值不值得做提出的方法是不是真的解决了这个问题论证过程是否严谨结论是否可信这三句话看似简单实则是所有审稿意见的总纲。后面所有细节都是围绕它们展开的。3. 创新性TPAMI审稿人最看重的一关3.1 什么样的创新性够得上TPAMI的门槛TPAMI对创新性的要求要比大多数会议高一个档次。CVPR、ICCV上经常出现的“把A方法用B技巧改一改在C数据集上涨了0.5个点”这种论文拿到TPAMI基本是送死。我自己的体会是TPAMI认可的创新性至少属于以下之一提出了一个前人没有定义过的问题并且给出了严格的形式化定义和可行的求解思路。针对一个老问题提出了全新的方法论框架而不是已有的框架上加一个模块。建立了新的理论结果比如泛化误差界、收敛性证明这类工作即使实验不够花哨也经常能过审。发现了某个已知方法的深层次缺陷并且用严谨的实证和理论解释了缺陷成因同时给出了修复方案。换句话说会议论文可以靠“量”取胜TPAMI必须靠“质”。审稿人在写novelty意见时内心有一杆秤这篇论文如果早发表三年会不会改变这个方向的研究轨迹如果答案是“不会”那创新性大概率只能给weak。3.2 创新被质疑通常是因为这几件事被审稿人说“novelty不足”不是一句话的事情背后往往有具体的触发点。最常见的是技术路线撞车。你辛辛苦苦做了两年发出去之后审稿人告诉你ICLR 2023上有一篇论文和你的方法高度相似。这种情况确实憋屈但审稿人的逻辑很简单既然别人已经发表了你的工作就失去了首创性。应对办法只有一个投稿前把arXiv、Google Scholar翻个底朝天把最相关的论文吃透并且在手稿里主动引用、主动对比让审稿人知道你清楚这些工作。其次是不讲清楚difference。很多作者在Related Work里只说“A方法做了什么B方法做了什么我的方法不同”但具体哪里不同、为什么不同写得含含糊糊。审稿人一眼就看穿这种写法说明作者没想清楚自己的核心增量到底在哪。另外一个很多人忽略的问题是贡献列表写得太薄。TPAMI的intro部分建议的贡献点至少要有三个且每个贡献点要能独立成立。如果你的贡献列表里全是AB这种组合式创举审稿人会觉得你是在凑数。3.3 怎么把创新性讲明白才有可能说服审稿人写创新性是有技巧的。我的经验是不要空谈“首次提出”“大幅超越”而是要用对比式陈述。举个例子一篇人脸识别论文不要说“我们提出了一种新的人脸识别方法”而是说“现有方法在低光照条件下性能急剧下降原因是浅层特征中混杂了亮度信息。我们提出了一种基于光照解耦的特征提取框架通过引入物理模型约束将光照成分显式分离”。这个写法的好处是审稿人读完第一段就知道你发现了什么痛点、用了什么思路、和现有方法的本质区别是什么。Intro部分第二段再放一张对照图把你的方法和主流方法在框架层面并列画出差异部分高亮标注效果比纯文字好得多。注意创新性陈述不是越夸张越好。TPAMI审稿人见多识广你写“显著超越”“颠覆性”他们反而会更严格地挑毛病。老老实实把贡献讲清楚比堆砌形容词管用得多。4. 实验设计审稿人用放大镜看你的每一张表格4.1 对比方法不是凑数是“公平性”的试金石TPAMI审稿人对实验部分的要求可以用一个词概括公平。很多投稿人有个习惯从论文库里随手抓几个经典方法跑一跑结果自己的方法涨点不少就觉得稳了。审稿人却不这么看。他们第一眼扫你的对比表会看三件事对比方法全不全、版本新不新、超参数调没调。对比方法不全审稿人可以接受但必须在论文里说明原因。比如你提出的是实时方法那和复杂度高几个数量级的大模型对比本身就不公平这种情况下你要主动指出并附上性能上限分析。超参数调没调这个问题最致命。如果审稿人发现你在复现别人的方法时用的是默认参数而自己的方法调得漂漂亮亮这种“不公平优势”一旦被抓住轻则被要求重新实验重则直接拒稿。最稳妥的做法是在实验设置里写清楚所有对比方法的超参数来源用了作者开源代码的就标注引用自己复现的就把调参过程放到补充材料里。表格的形式也有讲究。一张好表格应该包含方法名称、发表年份、核心配置、各数据集上的性能、参数量或计算量。审稿人需要的信息必须一眼能看到而不是让他去补充材料里翻。4.2 消融实验不是摆样子是在证明“你对你自己的方法理解到位”消融实验Ablation Study是TPAMI审稿人盯得最细的部分之一。他们要通过消融实验回答两个问题你的每个模块是不是都有存在的必要你的设计选择是不是最优的很多论文的消融实验做得太粗糙只消融大模块比如“去掉注意力模块掉1个点”“去掉对比损失掉0.8个点”然后草草收场。高水平的消融实验至少要做到模块粒度要细。比如你用了多尺度特征要分别验证每一层的贡献而不是一个“多尺度”一刀切。要对设计选择做敏感性分析。你选了损失函数里的λ0.5那λ在0.1、0.3、0.7、1.0时表现如何你没有实验证明0.5是合理的审稿人就会问为什么是0.5。要验证方法在不同子群上的表现。特别是当你的方法依赖于某个阈值或者某个聚类数时这类参数对不同数据分布是否稳定。我见过最稳妥的做法是把消融实验做成一张大表表格的行是不同配置列是不同数据集和指标底层再放一行“最终配置”。审稿人扫一眼就知道你做过系统地筛选而不是挑了一个凑巧好的结果。提示消融实验缺什么审稿人就默认你没想过什么。宁可在正文里写8行消融表也不要留着被审稿人追着问。4.3 数据分析不能只报均值统计显著性是硬指标CV领域的很多论文只报均值TPAMI审稿人越来越不吃这一套。除非你的性能差距大到了肉眼可见的程度否则审稿人几乎必然会问跑了多少次方差是多少差异在统计上是否显著我的经验是所有关键实验结果都要至少用5个不同随机种子跑5遍报告中位数和标准差。有条件的还应该做配对检验比如t检验或者Wilcoxon符号秩检验在表格里用星号标出显著性水平。这个方法不能保证你的结果一定被认可但至少让审稿人觉得你严谨。另外可视化分析的重要性被很多人低估。深度学习方向的TPAMI论文如果只有表格数字没有可视化对比审稿人很难被说服。特征图可视化、注意力热力图、错误样例分析这些图不只是“锦上添花”它们是你方法有效性的直接证据。一张有说服力的可视化图比你在正文里写十句“我们方法能更好捕捉语义信息”都管用。5. 理论深度TPAMI区别于普通会议的核心标准5.1 审稿人眼里的“理论”不一定是指数学定理很多重实践的投稿人一听到“理论贡献”就头大觉得自己一个搞应用的哪里会证明定理。这里需要澄清一点TPAMI说的理论贡献不只是数学定理证明还包括算法的收敛性分析、计算复杂度分析、误差传播的上界、在某些理想条件下的最优性论证。哪怕你的方法就是纯深度学习你依然可以证明在特定假设下你的损失函数是否具备良性景观你的网络架构是否比某些通用逼近器更高效你的训练策略是否等价于某种正则化。这些都属于理论分析。审稿人看重理论的本质原因是理论能给人确定性。实验只说明“在这几个数据集上方法有效”理论却能说明“在什么条件下方法有效”。后者才是科学论文真正的价值所在。5.2 理论分析做得不好反而会成为被拒的理由理论不是摆在那里就行写得不好副作用很大。最常见的问题是符号混乱。我审稿时见过不少论文理论部分的符号和实验部分的符号不一致同一篇文章里矩阵乘法的表示方式都换了三种这种论文的可靠性会大打折扣。另一个常见问题是假设过强。你为了能推出定理加了一条“假设数据服从某个分布”的条件但审稿人一看就知道这个假设在实际数据上根本不成立那么你的定理虽然在数学上正确却几乎没有指导意义。与其这样不如删掉这个定理老实做实证分析。还有一类问题是证明跳步太严重。TPAMI审稿人很多是理论出身的你跳步他一定看得出来。如果证明里的关键不等式直接就写“易证”但审稿人自己推了三页纸没推出来他的第一反应不是自己笨而是你的结论有问题。注意如果你的理论分析只能做到“在非常简化的假设下成立”那放在补充材料里是最稳妥的选择。正文放一个醒目的定理但证明站不住脚比不放还要糟糕。6. 写作与表达让审稿人读得轻松是最高的尊重6.1 摘要和引言是第一道生死线编辑和审稿人拿到论文最先读的就是摘要。TPAMI的摘要不能写成会议论文那种“短平快”风格需要在300词以内把问题、动机、方法、结果、意义都交代清楚。我自己的习惯是摘要五句话结构第一句写问题领域和现状短板第二句写现有方法的共同瓶颈第三句写本文提出的核心思路第四句写技术路线概括第五句写实验结果和意义。字数多了就删形容词保证每句话都有信息增量。引言部分要做的是把“故事”讲圆。TPAMI审稿人不需要你从第一性原理开始科普他们期望你在前两页内完成三件事一明确指出这个方向目前最棘手的挑战是什么二解释为什么现有的方法解决不了三给出你的核心直觉和验证结果概览。第三页末开始贡献列表和论文结构这是标准节奏。6.2 方法部分的排版和符号藏着作者的基本功审稿人判断你专不专业往往看你方法部分的排版和符号系统。公式编号、变量定义、算法伪代码的格式这些细节比很多人想象的更重要。符号命名要有体系不要所有变量都用x和y硬扛。比如图像特征用F损失用L网络参数用θ这样读者看到L就会联想到损失看到F就会联想到特征。公式不要写出超出页面宽度的长式不要用“”号断行排版工具要启用自动编号。算法伪代码必须完整到可以让读者照着实现。我经常问审稿的一个问题是伪代码和正文描述不一致怎么办答案很简单以正文为准。但最好的做法是完全一致伪代码里不要省略初始化步骤不要跳过程序终止条件的说明涉及张量维度的变化就明确标注。6.3 补上相关工作的“链接”别让审稿人觉得你在闭门造车相关工作这一节经常被读者跳过但TPAMI审稿人会认真读。审稿人通过这一节判断你对该领域的了解程度也用来交叉验证你的技术贡献是否有和已有工作重叠。写相关工作最忌讳的是流水账这个工作用了CNN那个工作用了Transformer每个一段毫无观点。更好的写法是按“研究脉络”来组织分成几个流派然后指出每个流派的共同局限最后落脚到你的方法如何绕开这些局限。要让审稿人感觉到相关工作和引言是呼应的而不是应付差事。同时一定要列全最新的工作特别是近一到两年的顶会顶刊论文。如果你漏了某个和你的方法高度相关的最新工作审稿人大概率会直接给你提出来这种印象分损失特别大。7. 细节决定命运尤其是这些容易忽视的小事7.1 报告随机种子和计算资源是态度问题我看过不少TPAMI投稿方法不错实验也扎实但开头第一页的脚注里什么都不写。训练了多久、用了什么GPU、代码是否开源、每个实验跑了几个随机种子这些信息在实验章节开头就应该交代清楚。可复现性是这几年顶刊审核越来越重视的维度。审稿人如果读了你的论文想复现结果发现你连batch size、学习率策略、数据增广细节都没写全他大概率会在意见里写“作者应该提供更详细的实现细节”。这话听起来不重但累积到一定程度就是major revision。7.2 图的清晰度直接影响审稿人耐心TPAMI是黑白印刷和彩色电子版并存的你的图在灰度打印之后必须依然能分辨。很多作者用颜色编码区分曲线但忘了审稿人可能打印出来看结果红色和蓝色的线混成一片审稿人一看图就烦了。图的字体大小也很有讲究正文里的图字号不要小于7pt坐标轴标签要完整图例位置不要遮挡关键数据。还有不要用截图保真度低的图片矢量图是最稳妥的。提示论文提交前把正文和补充材料PDF分别打印一份用肉眼一页一页过一遍。这个动作能找出至少5个你平时绝对不会发现的问题。7.3 附录不是垃圾桶是主文的减负带TPAMI允许补充材料这个空间要善用。详细的消融实验、额外的数据集结果、推导过程的完整证明、训练参数表格、更多的可视化结果这些都适合放附录。但有一点要小心审稿人没有义务读附录。重要内容和核心结果一定全部放进主文附录只存放“锦上添花”的佐证材料。千万别把关键实验放到附录然后正文只说“详见补充材料”这在TPAMI是大概率会被挑刺的。8. 应对审稿意见从收到结果到最终录用的全套操作8.1 拿到major revision不等于胜利但已经成功了一大半TPAMI给了major revision说明AE和审稿人认为你的工作有发表价值但有实质性问题需要解决。这时候最重要的是冷静分类意见而不是被情绪裹挟。把所有意见分成四类第一类是需要补充实验的第二类是需要修改写作和表述的第三类是需要补充理论推导的第四类是审稿人理解有误需要解释的。分类完成之后估计每类意见的耗时制定一个时间表。我的经验是major revision通常需要至少1到2个月高强度工作不可能一两个星期搞定。8.2 回复信的写作是审稿人判断你态度的窗口回复信的质量极其重要。一个总体原则是“逐条回复不回避不狡辩”。每条意见先简述审稿人的问题再写改动内容再给出修改后的具体位置和表述。如果你的回复是“谢谢建议已在修改稿中改进”没有任何实质信息审稿人会非常反感。对于合理意见直接接受并认真改。对于合理但工作量大的意见比如补大量对比实验如果可以做到那就去做如果实在做不到要给出充分的客观理由比如该方法的源代码无法获取或者该方法的计算量在现有硬件条件下无法承受。对于你认为审稿人有误解的意见回复时先礼貌承认信息呈现不充分导致理解偏差然后补充相关证据或实验澄清不要直接说“审稿人你错了”。8.3 和AE沟通的战术性建议修改稿重新提交时需要在给AE的信里写一段总体回复概括本次修改的重大变化。AE通常不会逐字读你和审稿人的所有往来但他一定会读这封总体回复。这段文字里要突出两点一是你对所有意见的重视程度二是修改后的版本相比上一版有哪些本质性提升。如果修改过程中遇到重大困难比如某位审稿人要求的一个实验方向已经被其他组发表了或者某个数据集已经下线无法访问可以直接向AE写信说明。有时候AE会帮你平衡不同审稿人之间的冲突意见。9. 个人最后的几点真心话我在TPAMI上踩过的坑比收获的成功多得多。第一次投稿我们自信满满结果三个审稿人全是major revision其中一个关键问题就是消融实验做得不够被审稿人逐条指出。当时觉得委屈后来回头看人家说得句句在理。熬了两个月补完所有实验再投修改稿两个审稿人给了接收还有一个坚持再补一组实验最终才勉强录用。第二篇被拒的经历更有价值。审稿人给出了非常尖锐的批评说我们的方法本质上只是已有方法的增量修改创新性不足。那一篇被拒之后我们花了很长一段时间重新思考问题本身而不是在原有方法上打补丁。这个思考过程后来带出了一个完全不同的工作投到另一个期刊反而顺利得多。所以TPAMI审稿人关注什么说到底就一句话他们关注你是不是真的在解决一个重要的问题并且用足够严谨的方式证明你真的解决了。其他的一切流程、写作、实验、理论都只是这个核心的支撑。如果你正在准备投TPAMI我的建议是在写第一个字之前先找一个跟你没有合作关系的领域专家请他照着审稿人的标准给你的idea“挑刺”哪怕只是一个小时也值回你所有的准备成本。你的方法再花哨包装再精美也经不起真懂行的人一句灵魂拷问“你的贡献到底在哪里”想清楚这个问题再去打开Word文档。