2019年CVPR有哪些优秀的论文？

个人最喜欢的一篇: https://arxiv.org/abs/1701.03077.

虽然这个话题似乎已经死了，但是还是写一写原因。

我对文章的的评价主要有几点：

1. 清晰。要尽早明确地阐述文章要解决的是什么问题，输入输出是什么，背后的motivation，以及合理的分析。这一点看似简单，其实可以直接筛掉很多的文章。常见的情况有：

• 说自己要解决一个很难的问题，到了实验的section才说自己用了额外的输入。
• 说自己要解决问题A，然后慢慢relax，或者通过一些实验设置，最后做的其实是问题B。
• 强行解释motivation，大概率为了发文章而发文章。
• 强行分析/没有分析。大概率是疯狂跑实验+拍脑子设计，跑出来就投。

2. 不overclaim。overclaim一般有两种情况：

• 试图解决一个很难的问题，然后设计一些新但是straighfoward，明眼人一看就知道不可能work的东西，然后放一些似是而非的结果。
• 说自己可以做ABC，但是实验经不起推敲。
• 强行把自己的特殊情况泛化，claim自己可以solve一个general的问题，但是只是在几个dataset上superivsed training。一般没有zero-shot generalization的结果。

3. 新。新也分很多种，每一种也都有不同的做法。

• 问题新。问题新最重要的是要证明这个问题有意义，而大多数人都fail在了这个上面。常见的错误样式是：所谓新问题只是旧问题的排列组合。所谓新问题的setup非常fake。所谓新问题和其他问题没有明显的联系；孤岛问题很难被大家认可。
• 方法新。这个是最常见的claim自己贡献的方式。
• 结果新。一般是各种benchmark paper。

4.分析。好的文章应该说明自己的设计的来龙去脉，究竟哪些是重要的部分，哪些没有那么重要，背后的motivation是什么，原理或者可能的原理是什么。如果原理很难解释，可以通过一些实验来理解究竟各个部分的作用是什么。

当然以上是我觉得评价里比较general的部分。另一方面其实是研究品味，这个就过于主观，因此也没有什么分享的意义。当然一个最简单的判别方法是，想象自己要做同样的topic。你是否能很快有一些想法？如果有，和文章是否一致？如果不一致，你的想法是不是更好/更有道理？很多paper过不了这三个问题。

似乎有些跑题，我也没有仔细解释为什么觉得这篇paper是我最喜欢的。但是从上面这些角度打分的话，这篇paper是我综合评价最高的。

当然这里安利一下 Jon Barron。他的paper中不中我觉得都是可信/高质量的。这点也是很多圈内人的共识。