1. 先搞清楚审稿人在审什么一个被大多数人误解的起点很多人在准备SIGGRAPH或TOG投稿时第一反应是去琢磨“今年流行什么方向”。这个思路不能说完全错但它很容易把你带偏。我在审稿这些年里见过太多技术功底相当扎实、实验做得也漂亮的稿子最终却因为一个很尴尬的原因被刷下来——作者根本没搞清楚审稿人到底在评估什么。SIGGRAPH和TOG的审稿体系核心逻辑是“问题优先”而不是“技术优先”。审稿人拿到一篇稿子脑子里首先浮现的问题不是“这个方法是不是很巧妙”而是“这个问题值不值得解决以及这个问题被解决到了什么程度”。听起来很朴素但绝大多数被拒的论文恰恰是在这个最朴素的问题上翻了车。有的稿子方法设计得很精巧但问题的定义模棱两可有的稿子实验做了三大页但核心贡献说不清到底解决了什么还有的稿子结果图非常漂亮但方法部分的逻辑链一推敲就断。从审稿人视角看一篇TOG/SIGGRAPH论文本质上是一次“学术论证”。你的每一项实验、每一个公式、每一张结果图都是你论证链条上的一环。审稿人拿到稿子后会沿着你的论证链一路检查问题是否重要、动机是否成立、方法是否有新意、实验是否充分支撑了结论、写作是否把上述这些都讲明白了。任何一环断裂审稿人的信心就会打折。这里有一个很扎心的现实SIGGRAPH和TOG的审稿人大多是义务劳动他们本身也是活跃的研究者手头也有自己的论文要写、项目要赶。一篇稿子分到他们手里真正被仔细阅读的时间往往有限。这意味着你的论文必须在“被快速理解”这件事上做到极致。我见过太多好工作毁在了表达上——审稿人没看懂你的贡献不是因为你做得不够好而是因为你没让他轻松地看懂。这不公平但这就是现实。所以这篇文章不谈具体的算法也不讲某个特定方向的趋势而是把视角拉到审稿人这个位置聊聊我这些年审稿和写稿积累下来的一些判断标准。我会把“什么样的论文容易被接收”拆成几个可以操作的维度问题定位、贡献构建、实验设计、写作技巧以及最容易被忽视的“审稿体验”问题。这些内容适用于SIGGRAPH和TOG对于其他图形学会议和期刊同样有参考价值。需要提前说明的是我下面的所有观察都来自个人经验不代表任何官方标准。审稿本身有很强的主观性同一篇论文在不同审稿人手里的命运可能完全不同。但正因为如此了解那些“跨审稿人”的共性判断逻辑反而比你猜测某一个审稿人的偏好更有价值。2. 问题定义论文的第一道生死线2.1 你的问题到底是“真问题”还是“伪问题”“问题是否重要”这句话被说了无数遍但真正理解它的人不多。审稿人在评估问题重要性时看的不是你的问题描述有多宏大而是三个更具体的维度。第一个维度是受众范围。这个问题有多少人关心如果你的问题只有你自己和你的小课题组关心那审稿人大概率会给出“importance is limited”的评价。这不是审稿人刻薄而是SIGGRAPH和TOG的定位决定的——它们是图形学领域的顶会顶刊收录的工作需要有足够的社区影响力。反过来说如果你的问题能辐射到渲染、几何处理、动画、仿真等多个子方向哪怕你的方法本身只针对其中某一个子问题审稿人也更容易认可它的价值。第二个维度是痛点强度。这个问题在不解决的情况下会对现有工作造成多大的阻碍一个经典的做法是在你的introduction里明确指出现有方法在某个场景下会失效而这个场景是实际应用中绕不开的。这个“失效点”越具体、越真实你的问题动机就越有说服力。我最怕看到的一种introduction是“现有方法都不够好我们提出了一个更好的”——这句话等于什么都没说。你要告诉审稿人的是现有方法为什么不够好是在什么具体条件下不够好这个条件为什么在真实需求中一定会出现。第三个维度是时机成熟度。这个问题是不是“现在”应该解决的问题有的问题十年前提出来太早因为基础条件不具备有的问题五年前提出来刚好因为相关技术已经铺垫成熟还有的问题现在提出来其实已经晚了因为社区的热点已经转移。如何判断时机一个简单的检验方式看这个问题最近一两年在顶会顶刊上的出现频率。如果频率在上升说明时机到了如果频率在下降说明红利期快过了如果几乎没出现过你要么是开辟了新方向要么就是在一个无人关心的角落自嗨。2.2 问题定义中的三种典型失败模式我把审稿中经常遇到的“问题定义失败”归纳成三种模式你可以对照自己手头的论文草稿看看有没有中招。第一种叫**“扫把星式”问题**。这类论文标题通常是《XXX的全面研究》或者《XXX的新框架》看起来很宏大但问题边界模糊到无法验证。审稿人看完introduction完全不知道你的输入是什么、输出是什么、成功标准是什么。这种稿子即使方法部分写得再好也很难过审因为审稿人无法判断你“有没有解决问题”——连问题本身都说不清楚怎么判断解决程度第二种叫**“自说自话式”问题**。作者定义了一个问题但这问题跟社区关心的方向没有明显关联。常见于把某个小众应用场景当作核心问题却说不清这个场景对更广泛领域的启示。比如你做了一个针对特定文物类型的数字化重建方法如果只是说“这个类型的文物很重要”却没有把它上升到“非刚性几何重建在极端纹理条件下的通用难题”审稿人就会觉得你的问题太窄。第三种叫**“无中生有式”问题**。作者为了发论文硬造问题把某个已有成熟方案的方向重新包装成一个“困难问题”。这种稿子最消耗审稿人的耐心。如果你的问题在5年前就已经有了不错的解你要么需要非常清晰地论证为什么旧解已经不够用比如需求变了、数据规模变了、精度要求变了要么就换个问题。2.3 如何用“一句话测试”验证你的问题定义我个人的习惯是在动手写introduction之前先做一次“一句话测试”。你能否用一句话把你的论文问题说清楚并且让一个非本子方向的图形学研究者听懂这句话的模板是“在【具体场景】下现有方法因为【具体原因】无法做到【具体目标】我们提出【什么类型的方法】来解决它。”如果你能在30秒内把这句话说出来而且对方能点头表示“嗯这个问题确实存在”那么你的问题定义基本达标了。反过来如果你需要铺陈五分钟背景才能让听者明白你在解决什么问题那你的introduction一定有问题。这个测试还有一个变体把你的论文标题拿掉只看introduction的前三段你能否在一分钟内判断出这篇论文的大致方向和核心问题如果做不到问题定义大概率是模糊的。我审稿时经常用这个方式快速筛选稿件——introduction读了五分钟还不知道作者要干嘛的稿子即使后面内容再好我内心也已经给它判了死刑。听起来残酷但这是时间压力下的真实行为。3. 贡献的构建从“我们做了什么”到“我们改变了什么”3.1 贡献不是罗列技术点而是回答“so what”很多作者写Contribution时会写成一个功能清单我们提出了一个XXX模型、我们设计了XXX损失函数、我们构造了XXX数据集、我们做了大量实验验证……这种写法不是错但它缺少了最重要的东西——这些技术点加在一起到底让什么发生了改变审稿人真正想看到的贡献是“认知层面的增量”。你的工作让社区对某个问题有了什么新的理解你打开了什么新的可能性你推翻了什么旧的假设这些才是能被记住的贡献。那些只是把已有方法换了个网络结构、调了调损失函数、换了个数据集做实验的工作技术上也许完整但贡献层面是匮乏的。我见过一个很典型的被拒案例作者用了一个很新颖的网络架构做曲面重建实验也很充分但整篇论文里找不到任何一处说明“为什么这个架构适合曲面重建”——没有分析曲面重建任务的特殊性没有说明这个架构相比通用架构在哪些环节上有本质优势。最后审稿人的意见高度一致这是一个“engineering contribution”技术含量有但认知增量不足。3.2 贡献的三个层次方法层、问题层、认知层我把有分量的贡献分成三个层次你可以用来给自己的论文定位。方法层贡献是最基础的指的是你提出了一套新的技术方案。大多数论文停留在这个层次。方法层贡献本身没有问题但它必须有足够的技术难度和原创性支撑。如果方法层只是“组合已有模块”那就很难撑起一篇TOG。问题层贡献比方法层高一个档次指的是你提出了一个新的问题或者重新定义了一个老问题。这类贡献的典型特征是你的论文发表之后其他人会沿着你定义的问题框架继续做工作。举个例子如果你的论文说“现有方法都假设输入是完整点云但真实扫描数据几乎都有遮挡我们把‘遮挡下的曲面重建’定义为一个独立问题并提出基线”这就是问题层贡献。认知层贡献是最高的层次指的是你改变了社区对某个问题的理解方式。这类工作通常包含深入的分析和洞见比如发现了某个现有方法的失败模式背后的共同原因或者揭示了一个被长期忽视的理论性质。认知层贡献不一定需要全新的技术方案但它需要独到的观察和深刻的分析。写contribution的时候我建议你尝试把“方法层描述”和“认知层描述”配对出现。每写一个技术点紧跟一句话说明这个技术点带来了什么认知层面的改变。这样审稿人读contribution时能感觉到你的工作是“想清楚”之后做的而不是“做着试试看”做出来的。3.3 构建contribution时最容易被忽视的“可验证性”Contribution部分的另一个关键属性是“可验证性”。你声称的贡献是否在你的实验中得到了验证这条对应关系必须清晰。我有一个坏习惯——拿到论文先看contribution再翻实验部分把逐条contribution和实验一一对照。如果没有对应关系我会在review里写“the claimed contributions are not fully supported by the experiments”。举一个实际案例。某篇论文声称三个贡献一是提出了一种新的几何表示二是设计了一个高效的优化算法三是构造了一个大规模数据集。结果实验部分只有数据集上的性能对比完全没有验证优化算法的效率优势也没有分析新几何表示相比传统表示的独立贡献。这种稿子即使实验做了一堆contribution的可信度也是不足的。正确做法是给每个contribution安排一个独立的实验小节或者消融实验来单独验证它。3.4 如何在rebuttal阶段捍卫你的contributionContributions写得好不好在rebuttal阶段会体现得特别明显。我见过太多作者在rebuttal里试图“临时增加”新的contribution来回应审稿人的质疑这是大忌。审稿人在第二轮看到你加了原本没有的contribution不会觉得你在认真回应反而会觉得你最初的定位就不清楚。正确的做法是在写初稿时就把contribution收敛到“少而强”并且留好余量。rebuttal阶段的contribution捍卫应该做的是“解释和澄清”而不是“增添和修改”。比如审稿人说“你的贡献和某方法没有本质区别”你应该做的是对比分析、说明差异和边界条件而不是慌张地修改你的贡献表述。4. 方法部分与实验设计如何让审稿人信任你的结论4.1 方法部分的“可复现性”是你最便宜的保险图形学领域的审稿人有一个比较强的共同倾向——非常在意方法的可复现性。SIGGRAPH和TOG的读者群体会真的去复现你的方法这是这个领域的优秀传统同时也是你论文能否被接收的隐藏加分项。提升可复现性有几个具体的操作。首先公式推导要完整不要跳步。我在审稿时会夹着草稿纸推导公式这可能是图形学审稿人的职业病。如果中间跳了几步关键推导或者符号声明不全我会直接在review里列出这些推导障碍。其次伪代码要写得像样。伪代码不是把公式复述一遍而是要包含实际实现的那些“脏细节”——初始化怎么做、循环条件是什么、收敛判据用什么。再次优化细节要透明。学习率、迭代次数、损失函数权重、网格分辨率——这些参数在论文里给不给直接决定了读者能否复现你的结果。很多论文的结果图看起来很惊艳但参数细节一言难尽审稿人不可能在这种稿子上给高分。4.2 实验不是证明“你的方法好”而是证明“你的归因对”这是我要强调的一个核心观点实验设计的最高原则不是“证明我的方法比别人好”而是“证明我对结果的分析和归因是正确的”。这两者的区别非常微妙但决定了你的实验是“说服人”还是“堆工作量”。如果你的实验只是为了展示“我的方法在几个数据集上分数最高”那这个实验设计是单薄的。审稿人会追问为什么高是哪个组件起了决定作用这个组件为什么能起作用在什么条件下它会失效这些问题的答案需要靠实验来回答。一个典型的“归因正确”的实验设计应该包含这么几条线索主实验展示整体性能优势消融实验拆解每个组件的贡献分析实验揭示方法起作用的底层原因失败案例分析揭露方法的边界条件。四条线索缺一不可。缺少消融实验的论文显得武断缺少分析实验的论文显得浅薄缺少失败案例的论文显得虚假——没有任何方法是万能的如果你不主动分析失败场景审稿人就会自己去找然后把它当成一个“问题”抛给你。我再强调一次主实验上的“分数全面碾压”远没有“我清楚地知道我的方法在什么条件下比谁好、为什么好”更能打动审稿人。4.3 对比方法的选取审稿人一定会挑刺的三个角落对比方法的选择是实验部分最容易翻车的地方也是最容易被作者忽略的。第一个角落是你对比的“非深度学习经典方法”是否处于最佳状态。很多论文在对比经典几何算法时直接拿原始论文的实现跑结果没有经过调参和适配。这在图形学领域是个忌讳因为经典方法往往对参数敏感直接跑默认参数大概率不能代表它的真实水平。审稿人如果有相关经验一眼就能看穿。第二个角落是深度学习方法的“底座”是否对齐。如果你对比的是多个深度学习方法它们的训练策略、数据增强、推理代价是否合理对齐这里面最容易被挑的问题就是“不公平的训练时长”或者“不同的数据预处理管线”。审稿人未必会逐个检查但你一旦被抽查到一处不公平整篇实验的可信度就会崩塌。第三个角落是是否遗漏了关键对比方法。这个比较主观但审稿人通常会从你的related work里寻找你引用了但没有在实验中对比的方法。如果你在related work里把某个方法描述得跟你的工作高度相关却在实验里不跟它对比审稿人一定会问为什么。所以要么在related work里少写你不想对比的工作要么就在实验里把它加上。4.4 数据与评估指标容易被审稿人抓住的把柄数据集的规模和多样性是另一个常见问题。图形学论文经常在少量合成数据上做实验这本身不是问题但你需要让审稿人相信你的数据集覆盖了足够多变的输入条件。如果你的方法只在同一种风格的数据上测试审稿人会质疑泛化能力。评估指标的选择同样需要谨慎。我经常遇到作者选择了多个指标但其中有些指标与他们声称的贡献点毫无关系。比如你做的是几何重建却放了大量纹理保真的指标这让人困惑。指标应该服务于验证贡献而不是凑数。还有一个很多作者容易忽略的点用户研究。如果你的方法声称“生成了更高质量的视觉效果”那你可能需要一个用户研究来支撑这个说法因为客观指标往往不能完全反映感知质量。当然这也不是绝对的取决于你的贡献定位。4.5 附录和补充材料别浪费这张“隐藏牌”SIGGRAPH和TOG的审稿系统通常支持补充材料。但很多人只是把补充材料当成“放视频、放额外图”的地方完全低估了它的价值。一个高质量的补充材料可以是说服审稿人的决定性力量。我在审稿时经常遇到这种情况主文里的实验有点仓促但补充材料里有详细的分析、额外的对比、甚至是失败案例的深度剖析这时候我会明显倾向于对论文给出更积极的评价。因为补充材料证明了一个重要的信号——作者心里有底不怕审稿人深挖。补充材材里我建议放这么几类内容更多的定性结果对比图完整的数据集描述和数据统计额外的消融实验和分析实验重要参数的敏感性分析视频演示和交互式demo的链接。如果你能在补充材料里把主文没空间展开的内容补全你的论文在审稿人那里的“认真程度”评分会显著提高。5. 写作与表达那些决定“审稿体验”的细节5.1 审稿人不是你的学生别让他“做题”写作方面最普遍的问题不是语法错误而是“信息呈现顺序”不合理。很多作者写论文时默认读者会从头到尾一字一句地读但审稿人实际上是在“扫描”——他会先看标题摘要再看图然后扫一眼contribution接着直奔实验部分最后觉得有意思才会回头读方法。这意味着你的论文必须适应“非顺序阅读”模式。摘要要能独立成文把问题、方法、结果三要素说清楚每张图要有足够的caption让读者只看图不看正文也能理解核心信息每个section的开头要有简短的“本节内容预告”和“本节在全文论证中的角色”。这些策略不是在讨好审稿人而是在降低他的认知负担——审稿人的时间有限你让他轻松他才会对你有好感。5.2 摘要写作的“三层结构”我审过几百篇论文对摘要有一个固定的阅读套路如果你的摘要符合这个套路我会觉得舒服反之会觉得别扭。第一层用两三句话说明“什么问题、为什么重要”不要一上来就讲你的方法多厉害先让审稿人承认问题存在。第二层用一段话讲“我们的方法”这时要讲清楚方法的核心思想和关键设计但不能啰嗦。第三层用最后两三句话说“结果怎么样”通常要包含关键数字提升、泛化能力验证和效率优势。我特别反感两种摘要。一种是“百科式”摘要——从头到尾像教科书一样平铺直叙完全看不出这篇论文的独特贡献在哪里另一种是“广告式”摘要——满篇“novel”“first”“state-of-the-art”但没有具体细节支撑。好的摘要应该是一篇微型的学术论证而不是技术宣传册。5.3 图表设计一图胜千言的前提是“图真的在说话”图形学论文的图表质量是一个隐形的分水岭。我见过一些内容扎实但图表糟糕的论文感官上就是“看起来不够SIGGRAPH”也见过一些图表精美但内容一般的论文容易让审稿人产生“这个团队很专业”的先入为主的印象。图表质量确实会影响裁判的判断。图表设计有几个关键点。第一结果图的可视化要一致——相同材质、相同光照、相同视角才能公平对比如果你用了不同的渲染设置审稿人第一反应就是怀疑你的对比是否公平。第二误差可视化要诚实——放大差异的尺度标注要清晰不要用夸大的颜色映射误导读者。第三方法框架图要简洁——把核心pipeline画清楚不要堆砌所有模块细节框架图是帮助理解的不是展示工作量的。另外我强烈建议在论文里放一个“方法概览图”用一张图把问题设定、方法流程、关键结果串起来。这张图的价值在于它可以让审稿人在30秒内对你的工作形成整体印象。如果这张图没画好你的论文从一开始就处于劣势。5.4 Related Work的艺术不要写成目录Related Work是最容易被敷衍的部分也是最容易暴露态度的部分。我看到很多论文的related work就是“XX做了AYY做了BZZ做了C”的流水账毫无insight可言。这样的写法在审稿人看来只有两种解读要么你不了解领域要么你懒得思考。好的related work应该有组织逻辑。它应该是“按主题聚类”并附上“与本文的差异分析”而不是“按时间排序”的罗列。每介绍一个类别的相关工作在末尾加一两句“这些方法在某个点上与我们的方法不同本文的方法在那个点上做了XXX改进”。这种写法把related work从“凑篇幅的综述”变成了“论证我们positioning的论据”。还有一点需要特别注意不要漏引关键的最近工作。如果你的论文在某个方向上的related work漏掉了近一两年内的重要论文而正好那个论文的作者是审稿人之一那你的处境就会非常被动。我在投稿前通常会让几个合作者分头检查related work的完整性这是一个必要的交叉验证流程。6. 常见拒稿原因与避坑指南来自审稿一线的观察6.1 那些“技术很好但被拒”的论文到底输在哪里我参与过的审稿讨论中最让人扼腕的案例往往不是技术平庸的论文而是那些技术上明显有闪光点、但最终因为一些“非技术原因”没被接受的稿子。这些非技术原因通常是第一种是overclaiming。论文里把贡献吹得超出实际验证范围审稿人抓到一处夸大就会对整个论文的可信度产生怀疑。你可以在intro里说“我们展示了方法的潜力”但不要轻易说“我们解决了XXX领域的根本性问题”。第二种是呈现混乱。图表编号错误、公式符号前后不一致、实验结果表格格式混乱——这些细节本身不是大事但累积起来会给审稿人一个印象作者不认真结论可能也不可靠。审稿本质上是一个信任建立的过程细节上的不严谨会不断消耗信任。第三种是缺少与最先进方法的直接对比。作者怕对比不过就只跟几个经典方法比刻意避开最新的SOTA。这种“选择性对比”在审稿人眼里非常明显而且一旦被点破作者的信用就破产了。我的建议是哪怕你的方法在某几个指标上比不过最新的SOTA你也应该如实对比然后认真分析差距产生的原因——这种诚实反而会更让审稿人欣赏。6.2 审稿流程中的“条件接收”是怎么一回事SIGGRAPH和TOG的审稿流程里有一个重要机制叫“条件接收”这是很多新手不太了解的。条件接收意味着论文在原则上被接收了但作者需要按照审稿人和PC程序委员会提出的要求进行修改并且修改后的论文需要得到认可。这里要强调的是条件接收不是你论文的终点而是另一个起点。如果你拿到了条件接收一定不要掉以轻心。认真对待每一个修改要求尤其是那些被标记为“must fix”的问题。同时保持open的态度——讨论的过程中也带上合作的姿态确保修订后的版本让所有审稿人满意。我见过一些作者在条件接收阶段“讨价还价”试图敷衍修改要求结果被审稿人直接拒绝接收。这真的得不偿失。条件接收的修改原则上应该“严格满足要求并适当超出预期”而不是“尽量少改”。6.3 Rebuttal写作的几个实用原则SIGGRAPH和TOG的rebuttal通常篇幅有限这要求你的回复必须精炼且有针对性。我总结几个实用原则。原则一先回答“是不是”再解释“为什么”。审稿人问“你的方法是不是在某种条件下会失效”你要先明确回答“是”还是“不是”不要上来就绕弯子解释。大多数审稿人更讨厌含糊其辞。原则二用图表说话。如果rebuttal允许添加图表一定要用。一个直观的对比图比一大段文字更有说服力。我经常看到rebuttal里用一张补充实验结果图扭转审稿人态度的案例。原则三不要只回复“我们会在最终版中修改”。这句话本身没有信息量。审稿人想知道的是你打算怎么改改成什么样做了修改之后对结论有什么影响把这些说清楚你的rebuttal才算是有效的。原则四对审稿人表示感谢和尊重。不管审稿意见听起来多么离谱审稿人都是义务劳动而且可能是你未来的合作者。rebuttal的语言任何时候都保持professional不要带情绪。6.4 时间线与节点管理投稿不只是写论文最后我想聊一个很多人忽视的环节——投稿的时间管理。SIGGRAPH和TOG是固定周期的投稿模式一年有若干轮次。我把时间线拆成三个关键节点来管理目标截稿日前6到8周冻结技术方案前4周冻结所有实验和图表前2周只做撰写打磨和内部交叉审稿。这个时间线的核心逻辑是技术方案和实验结果必须在写作开始前完全确定。如果边写边补实验你的introduction和contribution可能会来回推翻重写效率极低且容易出错。在内部交叉审稿阶段我会模拟审稿人视角找出论文中“最容易被攻击的点”然后提前在文中补上防御性讨论——与其被审稿人问不如自己先解释。还有一个经验是投稿前一定要自己跑一遍整个论文的“逻辑链验证”。从标题到摘要到introduction到方法到实验到结论检查每一步之间的逻辑连接是否顺畅。很多时候我们太熟悉自己的工作以至于逻辑跳跃自己都注意不到。一个可行的做法是让一个完全没参与这个项目的人读一遍论文记录下他产生的疑问那些疑问往往就是审稿人会提出的问题。7. 写在最后回归“研究质量”这个唯一标准盘点下来审稿人视角下“好论文”的标准其实很朴素一个清晰而重要的问题一个明确而有说服力的贡献一套扎实而诚实的实验加上一段让人读起来不费劲的叙述。这四件事做好了即使你的方法不是完美无缺审稿人也会倾向于给你正面的评价。我个人在带学生和审稿过程中反复强调一个观念论文是研究的外壳研究质量才是内核。审稿人真正在评估的是这个内核是否扎实。你可以在表达技巧上做很多文章但那些技巧只能锦上添花无法扭转内核的贫瘠。最后分享一个小建议如果你在准备投稿不妨在写完初稿后找两三个不同方向的同行帮你做一次“模拟审稿”让他们按照SIGGRAPH/TOG的审稿标准给你的稿子找茬。这个过程的痛苦是真实的但收获也是巨大的。我见过太多论文在模拟审稿阶段发现了致命问题避免了正式投稿后被拒的命运。这比什么技巧都管用。