企业官网建设流程全解析

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contribution

Contributions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A，YY做了B，ZZ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。