企业官网建设流程全解析

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。

TPAMI（IEEE 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：

1. 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。
2. 通过初筛后，编辑指定一名副主编（Associate Editor，AE）负责统筹，由AE邀请3到4名审稿人。
3. 审稿人独立评审，通常耗时2到3个月，返回意见。
4. 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。
5. 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A+B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λ=0.5，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。