明显（Obvious）是新奇的反面 。 所以 ， 如果一个想法在你听过之后觉得理所当然 ， 审稿人很快就会认为它其实并不新颖 。 然而 ， 新颖性必须在这个想法出现之前进行评估 。 如果它很容易解释并且事后看来显而易见 ， 那么这绝不会削弱这个想法的创造力和新颖性 。
把技术上的新颖性当作新颖性
审稿人最常见的误解是 ， 新颖性与技术细节有关 。 新颖性（和价值）在论文中以多种形式出现 。 如果一个新的数据集做了其他数据集没有做过的事情 ， 那么它可能是新颖的 ， 即使用于生成数据集的所有方法都是众所周知的 。 如果没有人想过以这种方式使用旧方法 ， 那么旧方法的新用途就可能会很新颖 。 用简单的算法代替复杂的算法可以提供洞察力 。
新颖性以与美丽一样多的方式展现自己 。 在批评一篇论文缺乏技术新颖性之前 ， 问问自己真正的新颖性是否在其他地方 。
把有用性或价值当作新颖性
并非所有新颖的想法都是有用的 ， 只是新的属性并不意味着价值 。 我们想要的是引领我们实现某个目标的新想法 。 在这里 ， 审稿人需要非常小心 ， 因为你很难知道一个新想法会在该领域走向何方 ， 因为我们所做的任何预测都是基于当前的该领域 。
我看到的一个常见评论是：作者描述了一种新方法 ， 但我不知道为什么有人需要这个 。
缺乏实用性确实是一个问题 ， 但很难用一个新想法来评估 。 审稿人在这里应该小心 ， 并意识到我们所有人的想象力都是有限的 。
个人经验分享
我早期的职业生涯是建立在观察和形式化两个已有领域之间的联系之上的：鲁棒的统计（robust statistics）和马尔科夫随机场（Markov random fields） 。 新颖性源于以前没有人将这些想法放在一起 。 事实证明 ， 这是一个肥沃的空间 ， 有许多令人惊讶的联系 ， 并带来了新的理论 。 幸运的是 ， 这些联系也被证明是有价值的 ， 从而产生了最先进的实用算法 。
事后看来 ， 鲁棒性检测和计算机视觉科学之间的联系似乎很明显 。 在今天 ， 在计算机视觉中使用鲁棒检测器已成为常态 ， 而且似乎并不比呼吸更新颖 。 但在别人看到它们之前第一次看到这些联系 ， 就像第一次呼吸一样 。
当您瞥见一种新的观察方式时 ， 生活中没有什么比在科学中一瞬间出现的火花更令人兴奋的了 。 你会感觉好像你是第一个站在山峰上的人 ， 你以前所未有的方式看待这个世界 。 这是新奇的 ， 它发生在瞬间 ， 但由一个人的所有经验促成 。
【AI顶会审稿人指南：是什么让一篇论文与众不同？】由此产生的论文体现了将想法转化为代码、实验和文本的过程 。 在这个翻译中 ， 火花之美或许只能隐约瞥见 ， 我对审稿人的要求是尝试想象火花之前的黑暗 。