发布时间：
Meta-SR: A Magnification-Arbitrary Network for Super-Resolution Xuecai Hu, Haoyuan Mu, Xiangyu Zhang, Zilei Wang, Tieniu Tan, Jian Sun [ pdf ]
Blind Super-Resolution With Iterative Kernel Correction Jinjin Gu, Hannan Lu, Wangmeng Zuo, Chao Dong [ pdf ]
Camera Lens Super-Resolution Chang Chen, Zhiwei Xiong, Xinmei Tian, Zheng-Jun Zha, Feng Wu [ pdf ], [ supp ]
Deep Plug-And-Play Super-Resolution for Arbitrary Blur Kernels Kai Zhang, Wangmeng Zuo, Lei Zhang [ pdf ]
Towards Real Scene Super-Resolution With Raw Images Xiangyu Xu, Yongrui Ma, Wenxiu Sun [ pdf ]
ODE-Inspired Network Design for Single Image Super-Resolution Xiangyu He, Zitao Mo, Peisong Wang, Yang Liu, Mingyuan Yang, Jian Cheng [ pdf ], [ supp ]
Feedback Network for Image Super-Resolution Zhen Li, Jinglei Yang, Zheng Liu, Xiaomin Yang, Gwanggil Jeon, Wei Wu [ pdf ], [ supp ]
Recurrent Back-Projection Network for Video Super-Resolution Muhammad Haris, Gregory Shakhnarovich, Norimichi Ukita [ pdf ], [ supp ]
Image Super-Resolution by Neural Texture Transfer Zhifei Zhang, Zhaowen Wang, Zhe Lin, Hairong Qi [ pdf ]
Natural and Realistic Single Image Super-Resolution With Explicit Natural Manifold Discrimination Jae Woong Soh, Gu Yong Park, Junho Jo, Nam Ik Cho [ pdf ], [ supp ]
3D Appearance Super-Resolution With Deep Learning Yawei Li, Vagia Tsiminaki, Radu Timofte, Marc Pollefeys, Luc Van Gool [ pdf ], [ supp ]
Fast Spatio-Temporal Residual Network for Video Super-Resolution Sheng Li, Fengxiang He, Bo Du, Lefei Zhang, Yonghao Xu, Dacheng Tao [ pdf ], [ supp ]
Residual Networks for Light Field Image Super-Resolution Shuo Zhang, Youfang Lin, Hao Sheng [ pdf ]
Second-Order Attention Network for Single Image Super-Resolution Tao Dai, Jianrui Cai, Yongbing Zhang, Shu-Tao Xia, Lei Zhang [ pdf ], [ pdf ]
Hyperspectral Image Super-Resolution With Optimized RGB Guidance Ying Fu, Tao Zhang, Yinqiang Zheng, Debing Zhang, Hua Huang [ pdf ]
Learning Parallax Attention for Stereo Image Super-Resolution Longguang Wang, Yingqian Wang, Zhengfa Liang, Zaiping Lin, Jungang Yang, Wei An, Yulan Guo [ pdf ], [ supp ]
Face Super-resolution Guided by Facial Component Heatmaps Xin Yu, Basura Fernando, Bernard Ghanem, Fatih Porikli, Richard Hartley [ pdf ]
Image Super-Resolution Using Very Deep Residual Channel Attention Networks Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu [ pdf ]
Super-Resolution and Sparse View CT Reconstruction Guangming Zang, Mohamed Aly, Ramzi Idoughi, Peter Wonka, Wolfgang Heidrich [ pdf ]
Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network Namhyuk Ahn, Byungkon Kang, Kyung-Ah Sohn [ pdf ]
SRFeat: Single Image Super-Resolution with Feature Discrimination Seong-Jin Park, Hyeongseok Son, Sunghyun Cho, Ki-Sang Hong, Seungyong Lee [ pdf ]
To learn image super-resolution, use a GAN to learn how to do image degradation first Adrian Bulat, Jing Yang, Georgios Tzimiropoulos [ pdf ]
Multi-scale Residual Network for Image Super-Resolution Juncheng Li, Faming Fang, Kangfu Mei, Guixu Zhang [ pdf ]
Super-FAN: Integrated Facial Landmark Localization and Super-Resolution of Real-World Low Resolution Faces in Arbitrary Poses With GANs Adrian Bulat, Georgios Tzimiropoulos [ pdf ] [ Supp ]
Fight Ill-Posedness With Ill-Posedness: Single-Shot Variational Depth Super-Resolution From Shading Bjoern Haefner, Yvain Quéau, Thomas Möllenhoff, Daniel Cremers [ pdf ] [ Supp ]
Recovering Realistic Texture in Image Super-Resolution by Deep Spatial Feature Transform Xintao Wang, Ke Yu, Chao Dong, Chen Change Loy [ pdf ]
Fast and Accurate Single Image Super-Resolution via Information Distillation Network Zheng Hui, Xiumei Wang, Xinbo Gao [ pdf ]
Image Super-Resolution via Dual-State Recurrent Networks Wei Han, Shiyu Chang, Ding Liu, Mo Yu, Michael Witbrock, Thomas S. Huang [ pdf ]
Deep Back-Projection Networks for Super-Resolution Muhammad Haris, Gregory Shakhnarovich, Norimichi Ukita [ pdf ] [ Supp ]
Residual Dense Network for Image Super-Resolution Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, Yun Fu [ pdf ]
FSRNet: End-to-End Learning Face Super-Resolution With Facial Priors Yu Chen, Ying Tai, Xiaoming Liu, Chunhua Shen, Jian Yang [ pdf ]
Unsupervised Sparse Dirichlet-Net for Hyperspectral Image Super-Resolution Ying Qu, Hairong Qi, Chiman Kwan [ pdf ]
“Zero-Shot” Super-Resolution Using Deep Internal Learning Assaf Shocher, Nadav Cohen, Michal Irani [ pdf ]
Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation Younghyun Jo, Seoung Wug Oh, Jaeyeon Kang, Seon Joo Kim [ pdf ] [ Supp ]
Learning a Single Convolutional Super-Resolution Network for Multiple Degradations Kai Zhang, Wangmeng Zuo, Lei Zhang [ pdf ]
Feature Super-Resolution: Make Machine See More Clearly Weimin Tan, Bo Yan, Bahetiyaer Bare [ pdf ]
Frame-Recurrent Video Super-Resolution Mehdi S. M. Sajjadi, Raviteja Vemulapalli, Matthew Brown [ pdf ]
Temporal Shape Super-Resolution by Intra-Frame Motion Encoding Using High-Fps Structured Light Yuki Shiba, Satoshi Ono, Ryo Furukawa, Shinsaku Hiura, Hiroshi Kawasaki [ pdf ] [ Supp ] [ video ]
Robust Video Super-Resolution With Learned Temporal Dynamics Ding Liu, Zhaowen Wang, Yuchen Fan, Xianming Liu, Zhangyang Wang, Shiyu Chang, Thomas Huang [ pdf ]
Detail-Revealing Deep Video Super-Resolution Xin Tao, Hongyun Gao, Renjie Liao, Jue Wang, Jiaya Jia [ pdf ] [ video ]
EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis Mehdi S. M. Sajjadi, Bernhard Scholkopf, Michael Hirsch [ pdf ] [ Supp ][ video ]
Joint Estimation of Camera Pose, Depth, Deblurring, and Super-Resolution From a Blurred Image Sequence Haesol Park, Kyoung Mu Lee [ pdf ] [ Supp ]
Image Super-Resolution Using Dense Skip Connections Tong Tong, Gen Li, Xiejie Liu, Qinquan Gao [ pdf ]
Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution Wei-Sheng Lai, Jia-Bin Huang, Narendra Ahuja, Ming-Hsuan Yang [ pdf ]
Image Super-Resolution via Deep Recursive Residual Network Ying Tai, Jian Yang, Xiaoming Liu [ pdf ]
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi [ pdf ] [ poster ] [ video ]
Real-Time Video Super-Resolution With Spatio-Temporal Networks and Motion Compensation Jose Caballero, Christian Ledig, Andrew Aitken, Alejandro Acosta, Johannes Totz, Zehan Wang, Wenzhe Shi [ pdf ] [ poster ]
Hyperspectral Image Super-Resolution via Non-Local Sparse Tensor Factorization Renwei Dian, Leyuan Fang, Shutao Li [ pdf ] [ poster ]
Simultaneous Super-Resolution and Cross-Modality Synthesis of 3D Medical Images Using Weakly-Supervised Joint Convolutional Sparse Coding Yawen Huang, Ling Shao, Alejandro F. Frangi [ pdf ] [ poster ]
Reference Guided Deep Super-Resolution via Manifold Localized External Compensation Wenhan Yang, Sifeng Xia, Jiaying Liu, and Zongming Guo Accepted by IEEE Trans. on Circuit System for Video Technology (TCSVT), June 2018. [ project ]
Joint-Feature Guided Depth Map Super-Resolution With Face Priors Shuai Yang, Jiaying Liu, Yuming Fang, and Zongming Guo IEEE Trans. on Cybernetics (TCYB), Vol.48, No.1, pp.399-411, Jan. 2018. [ project ]
Deep Edge Guided Recurrent Residual Learning for Image Super-Resolution Wenhan Yang, Jiashi Feng, Jianchao Yang, Fang Zhao, Jiaying Liu, Zongming Guo and Shuicheng Yan IEEE Trans. on Image Processing (TIP), Vol.26, No.12, pp.5895-5907, Dec. 2017. [ project ]
Retrieval Compensated Group Structured Sparsity for Image Super-Resolution Jiaying Liu, Wenhan Yang, Xinfeng Zhang, and Zongming Guo IEEE Trans. on Multimedia (TMM), Vol.19, No.2, pp.302-216, Feb. 2017. [ project ]
ECCV2016 Accelerating the Super-Resolution Convolutional Neural Network Chao Dong, Chen Change Loy, Xiaoou Tang [ project ]
Perceptual Losses for Real-Time Style Transfer and Super-Resolution Justin Johnson, Alexandre Alahi, Li Fei-Fei [ pdf ]
End-to-End Image Super-Resolution via Deep and Shallow Convolutional Networks Yifan Wang, Lijun Wang, Hongyu Wang, Peihua Li [ pdf ]
Deeply-Recursive Convolutional Network for Image Super-Resolution Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee [ pdf ]
Accurate Image Super-Resolution Using Very Deep Convolutional Networks Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee [ pdf ]
Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network Wenzhe Shi, Jose Caballero, Ferenc Huszar, Johannes Totz, Andrew P. Aitken, Rob Bishop, Daniel Rueckert, Zehan Wang [ pdf ]
Image Super-Resolution Using Deep Convolutional Networks Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) SRCNN [ project ] [ pdf ] [ supplementary material ]
Neighborhood Regression for Edge-Preserving Image Super-Resolution Yanghao Li, Jiaying Liu, Wenhan Yang and Zongming Guo IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), Brisbane, Australia, Apr. 2015. [ project ]
Learning a Deep Convolutional Network for Image Super-Resolution Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang ECCV 2014 SRCNN [ project ] [ pdf ]
Super-Resolution From a Single Image Daniel Glasner, Shai Bagon, Michal Irani ICCV 2009 [ project ] [ pdf ]
Video Super-Resolution Based on Spatial-Temporal Recurrent Neural Networks Wenhan Yang, Jiashi Feng, Guosen Xie, Jiaying Liu, Zongming Guo and Shuicheng Yan Computer Vision and Image Understanding (CVIU), Vol.168, pp.79-92, March. 2018. [ project ]
Video Super-Resolution With Convolutional Neural Networks Armin Kappeler ; Seunghwan Yoo ; Qiqin Dai ; Aggelos K. Katsaggelos IEEE Transactions on Computational Imaging [ pdf ]
High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network Wenjia Xu; Guangluan XU; Yang Wang; Xian Sun; Daoyu Lin; Yirong WU IGARSS 2018 - 2018 IEEE International Geoscience and Remote SensingSymposium [ pdf ]
南开更好。
高考志愿-----国内十大名校
1 清华大学
清华大学当选中国大学第一位众望所归，无论学科实力还是影响力，在国际排名中也是前30的高校。
2北京大学
北京大学是学子们梦寐以求的学府，综合类最好的大学，文化底蕴十足，师资力量强大。甚至“北大”就是大学的代名词。
3复旦大学
复旦大学坐落在上海市，原名震旦大学，也是一所历史悠久的高等学府，部属985。
4 浙江大学
浙江大学属于部属985，双一流大学。校训：求实创新。学科特别齐全的学校，基本所有专业都有。学术水平极高。
5 上海交通大学
上交大坐落在上海市，部属985，上交大近些年进步非常大，是由盛宣怀创办的南洋工学发展而来。
6 南京大学
南京大学位于江苏省，华东五校之一。文科较强，工科稍弱，综合实力名列前茅。物理，地质专业一流。
7 中国人民大学
人民大学建校虽然很短，50年代才创办，而且专业大部分都是文科类，但是地理位置不错，在文科方面全国首屈一指。
8 南开大学
南开大学位于渤海之滨天津，张伯苓为救国而创办，是中国“学府北辰”之一！国内外知名度极高。
9 中山大学
中山大学坐落在南方广东省，是由孙中山先生创办，双一流高校，学风严谨，在南方是众多学子们向往的大学。
10 中国科学技术大学
简称“中科大”坐落在安徽省合肥市，部属985，出国率很高，只是理工强劲而文化气息稍逊一些。
我来个像样的回答吧。T-PAMI是机器学习领域的顶刊，目前来讲，我是将其拜为第一把交椅的。鄙人不才，中过几篇，也有幸应邀审稿。CVPR ICCV，ECCV是模式识别领域的顶会，CVPR鄙人认为他是第一，如上几人所述，这几年随着机器学习，人工智能的大火，有水的成分了，两年一度，文章越来也多了。这两者没有可比性，为什么说没有可比性能呢。先说2017年以前吧，我们实验室想中一个T-PAMI，首先要中三大顶会之一，然后，我们在会议论文的基础上对研究结果进行深挖扩展，基本中T-PAMI就很简单了。2017年之后，实验室陆续出现硬上T-PAMI的现象了。顶会中的也就多了。最后呢，关于大家说论文变水了。其实不然，鄙人不才，说一句话：机器学习逐渐变成一门实验科学了，跟生物医学，生化环材一样，注重实验。所以呢，实验室的年轻本科生自己搭建一个新颖的，了不起的模型，识别率突破、实现的功能创新等，也可以中顶会，我认为这是合理的，毕竟纯搞理论也是不对的。有说错的地方，业内大牛可以指正。
同济大学和南开大学哪个更好，不仅要看当前发展现状，更要看未来发展前景。
南开大学在发展现状方面，已经不如同济大学，同时从他们的经费方面来看，同济大学未来的发展还会快于南开大学。我们先来看一下他们的经费情况。
2021年同济大学预算经费达到了107亿元，而同年南开大学的经费只有约58亿元。这就意味着同济大学的办学经费方面的优势，远不是南开大学可以相比的。办大学是一个烧钱的事，没有经费是万万不行的。只有经费到位，大学才能快速发展。我们通过近年来发展速度的较快的深圳大学、苏州大学等院校来比较，就可以轻松得到这个结论。同济大学的经费额度，已经接近南开大学的2倍，他们未来的发展趋势，也通路得到一个相对的比较。
所以，从经费方面来看，同济大学的发展速度优于南开大学。
再看发展现状。
南开大学在第四轮学科评估中，没有获得A+评级学科，这让我们大跌眼镜。曾经的四大名校之一的南开大学，竟然没有一个A+学科，未免说不过去。至少，这样名校级别的985大学，有一、二个A+学科是应该的，有三、四个A+学科是正常，即使他有五、六个A+学科，大学也不会惊讶。但是南开大学只有5个A级学科，9个A-学科。但是南开大学的B+评级以上的学科有23个，说明他的整体依然很强，远不是那些有一个两个A+学科的985大学可比。
虽然南开大学整体实力非常强悍，但是没有A+级学科，让南开大学非常遗憾，没有顶尖大学的感觉。
再来看一下同济大学。同济大学在某些学科方面，保持了全国顶尖水平的地位。第四轮学科评估中，同济大学有A+评级学科，在土木工程、城乡规划学、管理科学与工程、环境科学与工程等4个学科方面，依然是全国最高水平。同济大学在建国之初的高校调整之后，获得了最强的土木类专业、建筑类专业，这个专业依然保持着优势。同时他的B+评级以上的学科有24个，在整体实力方面，比南开大学还经更强一些。
所以，从发展现状方面来看，同济大学优于南开大学。
再从学校所在城市来看，同济大学位于上海，区位优势明显强于南开大学所在的天津市，在未来的发展潜力方面，同济大学还是更好一些。
综上，同济大学要好于南开大学。
如果喜欢理科就选南开大学，如果学工科则选择同济大学。
题主：好！这还真得感谢您。我一直以为南开大学挺厉害，应该跟同济大学差不多，可是认真一比较——同济还真的比南开好得多啊。
1.同济大学是1907年德国医生埃里希·宝隆在上海创办的德文医学堂，1923年定名同济大学，1927年成为国立同济大学，是中国最早的七所国立大学之一。
2.南开大学成立于1919年，1938年与北京大学、清华大学联合组建国立西南联合大学；1946年返回天津并改为国立南开大学。
3.两所大学无论是创立年代、还是办学历程都差不多，同济大学稍早一些。
1.同济大学有：
本科招生专业82个，硕士学位一级学科授权点45个，专业硕士学位授权点26个，博士学位一级学科授权点33个，专业博士学位授权点9个，博士后流动站30个。拥有3个国家重点实验室、1个国家工程实验室。
2.南开大学有：
本科专业93个，硕士学位授权一级学科11个，硕士专业学位授权点27个，博士学位授权一级学科31个，博士后科研流动站28个。有国家重点实验室2个，国家工程研究中心1个，
3.办学实力主要体现在硕博点、博士后科研流动站数量和国家重点实验室多少上；当然还要参考院士数量，从这几个指标看、同济大学也都比南开大学强一些。
两所双一流A类大学之间，如果只是从 历史 积淀、办学实力方面比较，似乎差距并不明显，但是如果比较一下学科评估等级，那么差距就太明显了——
1.同济大学
在第四轮学科评估中有4个学科获得A+、还有一个A和七个A-，A+等级排名全国并列第11位。
2.南开大学
如果说南开大学在第四轮学科评估中一个A+也没有，一般人肯定不会相信，双一流A类大学怎么会一个A+也没有呢？
这个真没有啊！
3.从学科评估等级看
同济大学要比南开大学强很多呀，有4个A+、尤其是土木工程全国第一，其他3个也是并列第一。
所以两所大学的差距好像有点大，可以说是金牌与银牌的差别。
在第五轮学科评估结果公布以前，第四轮学科评估等级就是评价大学水平的最权威、最主要的标准。
虽然两所大学有一些高低差别，但是也与学科或专业方向有关。
同济大学有点偏建筑规划设计、政治、理学及软工科类。
而南开大学有点偏文，理学、经济、 历史 及软工科。
当然还有录取分数差别，在大多数省份同济大学一般都得比南开平均高出十几分，这也是层级差别的一种体现吧。
另外为什么没有提到两所大学的医学专业呢？因为实在是有点提不起来、因为都很一般。例如：临床医学或口腔医学专业，都不如上哈医大、天津医科大学等专门学校去学。
结论：同济比南开高一个层级，相当于金牌与银牌的差别。
感谢关注！
同济大学和南开大学都是全国排前20位的“双一流”（985）大学，真正要比哪个好，确实很难，两所大学可以说各具特色、难分伯仲。
两所大学办学 历史 悠久，都是综合性大学。同济大学最初为1907年德国医生创办的德文医学堂，1923年正式定名同济大学，是中国最早的7所国立大学之一。南开大学正式成立于1919年，1938年曾与北京大学、清华大学在云南昆明合组西南联合大学，为中华民族振兴和国家富强作出了不可磨灭的重要贡献。
优势学科方面，根据第四轮学科评估结果，同济大学评为A-以上的专业有12个，其中土木工程、环境科学与工程、城乡规划学、管理科学与工程为A+，设计学为A，数学、机械工程、计算机科学与技术、建筑学、交通运输工程、风景园林学、软件工程为A-。有33个一级学科博士点、45个一级学科硕士点。
南开大学学科评估A-以上的专业有14个，没有A+级学科，A级学科5个，分别是理论经济学、数学、化学、统计学、工商管理；A-级学科9个，分别为应用经济学、政治学、马克思主义理论、中国语言文学、中国史、世界史、物理学、生物学、环境科学与工程。有30个一级学科博士点、12个一级学科硕士点。
在重大科研平台和设施建设上，同济大学有3个国家重点实验室，1个国家工程实验室、5个国家工程技术研究中心，还有国家重大 科技 基础设施、国家协同创新中心、国家大型科学仪器中心各1个。南开大学有2个国家重点实验室、1个国家工程研究中心。
可以看出，虽然都是综合性大学，但在学科建设和科研设施建设上，两所大学还是有所差异的。同济一流学科实力比南开大学强，有4个A+学科，而南开没有1个。同济A-以上学科偏重理工类，南开A-以上学科既有理科，也有文史，文理兼顾。同济博硕点、国家级科研平台数量要多于南开。
再看看两所985名牌大学的排名。最新一轮软科排名同济大学第16名，南开大学第20名；2021年校友会南开大学第16名，同济大学第21名，南开大学第12名。软科和校友会排名刚好相反。
高考录取分数是一所大学 社会 认可度的真实反映。据相关研究机构统计，2020年全国25省份高考录取平均分数线，文科同济、南开为628分、627分，分别排第11名、第12名；理科同济、南开为660分、652分，分别排第10名、第11名。两所大学录取分数线非常接近，总体上同济大学略高于南开大学。
从上述分析可以看出，在综合实力、 社会 影响力上，同济大学、南开大学难分伯仲、不相上下、旗鼓相当。真正要说区别，一是同济偏重于理工，南开文理并重；二是地理位置不同，一所在上海，一所在天津；三是同济理工类招生计划多于文史类，南开理工类、文史类招生计划相对均衡。因此，除分数和专业兴趣外，这些也是报考时需要考虑的因素。
个人认为，同济大学比南开大学好
同济好。
90年代以前肯定是南开好，后来上海浦东成为中国改革的前沿，上海发展比天津快了很多，借助此优势同济吸引力增大，比南开要发展快。从考分能看出差距来。不过专业偏重不同，选专业又不具有可比性。
同济的优势在于地理位置，两个学校侧重点不同，同济侧重土木，建筑，车辆等工科。南开的基础学科，商科及 社会 学科是同济比不了的。具体要根据个人将来规划来选择。
各有所长，看你希望在哪里领域或者专业发展了。
两者的综合排名差的不多，所以具体哪个好就要看专业了，是不是国家重点学科、双一流学科了
客观的说，南开大学好很多。
具体分析一下：
同济优势学科是传统工科，主要体现在建筑，土木，车辆等领域，南开则完全没有开设这些学科，可以说，除了传统工科，也就是南开但凡开设的学科，均是强于同济。
南开优势是文，理，商，医，新工科。新工科是指计算机，人工智能，大数据这些新兴工科领域。
南开计算机人工智能太强了，2021年1-11月份，南开计算机在世界人工智能顶级期刊TPAMI已发表12篇成果论文，位列全国第四，仅次于清北交，还大有超越之势。
2018年才成立的网络空间安全学院，则在四大安全领域顶会做到了论文四顶会全发，全国仅有三所大学做到四顶会全发，另外两所是浙江大学和香港大学。
南开医学也突飞猛进，已经甩开同济医。
数学统计金融这些学科就更不用多说。南开统计在2016 2020发统计四大刊数排第二，仅次于北大。
南开数学团队在新冠疫情中表现不俗，为全国各地提供疫情预测及分析服务，得到国务院表彰。
1996年起在国内率先开展了GaN基微波功率器件结构材料的研究工作，在该领域一直起骨干、引领、示范和带动作用，为核心电子器件国家重大科技专项的立项和启动实施做了重要技术储备和推动工作。主持国家重大科技专项、863重大项目、自然科学基金重大项目、973项目、中科院知识创新工程重要方向项目等多项国家重大课题的研究工作。在宽禁带GaN基半导体微电子外延材料领域，带领他的科研团队，加班加点，顽强拼搏，通过自主创新，取得了重大技术突破，形成了系统的知识产权，取得了一批具有国内领先水平、国际先进水平的突出研究成果，一些成果达到国际领先水平。并基本建成国产GaN基微电子外延材料技术平台，实现了批量供片。用自主研制的GaN基微电子材料，先后合作研制出我国第一支GaN基HEMT器件、第一支GaN基X波段微波功率器件、第一块GaN基微波单片集成电路和连续波输出功率为132W、脉冲波输出功率为176W的X波段微波功率模块电路，用自主研制的MOCVD设备，研制出了满足使用要求的3英寸GaN基微波功率器件材料，强有力地支撑了新一代核心电子器件和电路在我国的发展，促进了关键电子元器件和电路芯片的国产化，对实现我国在新一代宽禁带半导体领域的创新跨越做出重要贡献。MOCVD设备是信息产业的重大关键设备，长期以来，我国使用的MOCVD设备依赖从国外进口，对我国信息产业的安全和发展造成了严重威胁。王晓亮研究员带领他的科研团队，不畏艰难，不怕吃苦，通过三年的不懈努力，克服了一个又一个困难，攻克了一个又一个技术难关，于2009年10月成功研制出我国首台一次可生长7片2英寸（3片3英寸）GaN基外延材料的MOCVD工程化样机，2011年用该样机研制出3英寸GaN基微波功率器件外延材料产品。该样机经验证具有很好的重复性、稳定性和可靠性，其综合性能与国外同类设备相当，实现了MOCVD设备核心技术的自主研发与创新。2012年所取得的MOCVD制造的关键专利技术以无形资产（2000万）投资到广东中科宏微半导体设备有限公司，推动了MOCVD设备的产业化。2014年研制成功可生长2-8英寸GaN基微电子材料的MOCVD装备，所研制的材料性能达到国际先进水平，加速了我国信息产业核心装备-MOCVD装备的自主创新发展和工程化产业化进程。另外，王晓亮研究员带领他的科研团队，系统开展了GaN基新型电力电子器件研究工作，并通过结构材料设计、外延生长、和器件制备工艺的攻关和优化，研制出具有国内领先水平GaN基耗尽型和增强型开关器件，两端器件击穿电压1960V，三端器件击穿电压1240V，为下一步的发展和应用打下了基础。从九十年代至今在国内外主要学术刊物上发表研究论文160余篇，撰写《10000个科学难题》信息科学卷中的专题篇“固态微波器件”（p328-331，科学出版社）；获授权国家发明专利30余项，形成了系统的知识产权；已培养并取得博士学位的研究生28名。
通过论文集合网站webofscience查询某领域论文每年的发表数量。如果这个刊物同时被知网、万方、维普、龙源、超星收录，你可以登上其中任何一个数据库，查该刊物收录的文章篇数直接看刊物目录，同理，确定该刊物是某一个数据库收录，直接在该数据库查询即可。如果自己没办法登陆该期刊所在数据库，可以用刊物页码除以其中一篇文章的版面数，得出的结果只是一个大概的篇数。如果你只是想知道中国知网2014年更新的学术论文量，直接选择“从2014年到2014年”，截止今天，更新期刊2373640篇。
答题/ 帅小西De --期待为您解惑！
小西的答题肯定有些许不到之处，欢迎各位朋友批评指正，谢谢大家！
这大概由下面几个因素决定。
首先看学校，不同的学校要求不一样，不同的学校水平不一样，这样他们的博士毕业生毕业时文章数肯定不一样，一般说来，水平高的大学博士发的文章好些，文章说可能也多些。比如，有的985高校要求毕业时应该有四五篇文章，其中核心几篇，sci几篇都是有明确规定的，这就是为什么国内好多期刊文章泛滥成灾，没办法，为了毕业，不得不发。
第二，做研究肯定要看个人天赋，有的人三年小二十篇sci有的人延期一次又一次，七八年了还达不到学校要求，必须承认，人和人的天赋有差距，还差距很大。
博士不容易毕业，而且在职的尤其时间长。有了老婆孩子肯定要分散一部分精力，而且有工作了后顾之忧也少了。不像纯学生那么容易投入精力。
博士毕业能发多少文章是个人能力，发100篇也可以，发1篇也行，但是能不能顺利毕业就另说了。
1，目前很多学校正在逐步取消博士论文的硬性要求，更多的学校对论文的数量和层次都要要求。
越好的学校要求越高，有的学校要求sci，有的学校要求国内核心期刊，以下是国内一些学校的要求，题主可以参考。
清华大学：2019年起，不再硬性要求发表论文，新规称：”鼓励依据学位论文以及多元化的学术创新成果评价博士生学术水平，不再以学术论文作为唯一依据。
北京大学：本人为第一作者身份（导师为第一作者时本人可以为第二作者）在国内核心刊物或国际重要刊物上至少发表或被接受发表2篇论文。
北京师范大学：4篇以上（含4篇）学术论文公开发表（其中至少1篇为CSSCI期刊论文），或2篇以上（含2篇）学术论文在CSSCI期刊上发表。论文第一作者应为博士生本人（与导师共同署名文章同视为第一作者），第一署名单位应为北京师范大学马克思主义学院。
浙江大学：SCI 文章两篇。且对IF(影响因子）有要求。
这么多人考博士是为了什么？做研究呗，做研究总得有研究成果吧，没有研究成果的博士和你我有什么区别。
而展现研究生成果最直接的方式就是论文，对于学校来说，这个评价标准特别好量化，而且是借助第三方权威机构的力量来进行量化。
将来会有更多的学校会学习清华大学的方式，多元评价，但是在没有监督的情况下也容易出问题，有利有弊吧。
希望以上回答对你有所帮助。
博士毕业发论文多少取决于博士导师与博士生本人的学术水平和勤奋程度。南京大学曾要求博士毕业至少发表两篇SCI论文，国内核心杂志论文两篇相当于一篇SCl论文，均要笫一作者，合作的SCⅠ论文第二作者视同国内核心杂志论文一作。我所指导的十五名博士有个别人发表了4篇SCl论文以上包括另外有合作的SCⅠ论文或国内核心杂志论文，他们除了特别勤奋有才能外，实际上为硕博连读生，在实验室干了四至五年。绝大部分博士能通过答辩拿到学位的都能发表两篇SCⅠ论文。我的同行博导的学生特别优秀者在特级杂志Scⅰence杂志发表一篇论文也可以顺利毕业获得学位。多数博士发表论文在专业一流或一般水平(影响因子2至6左右)。博士毕业论文及发表论文质量数量是博士能否通过答辩的重要因素，但学风和学习能力也极重要，如果有一项图表数据造假论文抄袭则论文再多也会被取诮学位资格，并追究导师责任。
博士毕业一般发多少文章？这问话问的都没有一个限定，中文期刊还是SCI？几区？影响因子高不高等等方面都没有，只单单问多少篇文章，是不是有点太过草率了？
我要说的是，博士毕业向来不是以发了多少篇文章来定义好坏的，因为单纯的看数量并没有什么实际意义，现在更看重的是上面我说的那几点，不然你发的再多也不好找工作，一样不具有核心竞争力。
这个要求有时候不是学校要求的，而是博士导师要求的，若是没达到要求，导师一般不会让你毕业。
至于发文章的要求，都已经到了博士这个等级了，大部分的导师都是重质不重量的，不信的话你可以问问身边的博士生，他们毕业要求发表的文章是规定多少篇吗？不是的，他们一般都会回答你几区、影响因子为多少以上的SCI一篇至两篇，当然也有不做要求的，那几区都无所谓，影响因子也不做考量。
是的，导师宁愿自己的学生整个博士就发了一篇一区或者二区、影响因子为5以上的SCI，也不要发了五六篇四区、影响因子零点几的。
其实这是一个很现实的问题，而且在很多高校或者科研院所招聘博士毕业生时，他们要求的也都是高水平的文章，分区比较靠后的可能需要十几篇才能抵得上人家一篇。而985/211等（现在可能主要说双一流）高校的要求更是高的吓人。
所以不要再问什么博士生一般能发多少文章，应该问的是博士生一般要发几区、影响因子多少以上的文章才能毕业更为准确 。
我见到有师兄发了2篇SCI刚刚能够毕业的，有师兄都快毕业了还没写到2篇SCI不断为毕业发愁，我也见过有师兄发了10篇SCI的，直接去某二本学校任教安家费就100万，每个博士能够发多少文章的数量真的天差地别。
根据我的观察博士是否能够满足毕业要求和导师的关系更大一些，但是博士是否能够发出高水平的文章更多的还是靠自己是否有足够的想法、自己是否真正深入 探索 问题了。
1.博士是否能够达到毕业的要求真的和导师的状态有关。
有些博士生导师真的不会太管学生，心好一点的可能还会想办法让你博士顺利毕业，有的干脆就是你自己想办法、想idea，如果你想不出来的话你很可能就要延毕了。听说有个师兄就是导师不太管没办法毕业，最后退学了读了几年书还是本科学历。
有些博士生导师对学生真的会尽职尽责一些，会定期督促博士生的进度，刚开始想idea给博士生练练手，有一套成熟的培养体系，这样加上自身的努力，还是会有些学术强的学生突出出来。我们课题组的师兄就已经发表了3篇顶级期刊，还是非常厉害的。
2.博士毕竟要自己想出一些想法，有足够的创新点才能够发表文章甚至投好的文章。
博士刚开始看文献、看论文都是为了打开自己的思路，看了前人做的东西你发现他的有哪些改进的地方，这时候你和老师交流是否这个想法有进行下去的必要，如果能够做那么就把其付诸到实践当中，做实验就是这样的啊，文章不过就是做实验后的总结。你的多少篇文章就代表你博士想出了多少个成熟的创新点。
3.博士能够发多少文章还取决于专业。
一般来说传统工科、文学类的专业都比较难发文章，因为真的工科做实验、文科一些专业调研还是需要一定的实验周期的，但是像化学、材料、生物类的就相对好发文章一些。这些专业的博士平均论文数量还是比其他专业要高一些的。
结束语：能够发多少篇文章还是要看导师的状态、自身的努力有关系的，这也是为什么读博一定要找一个好导师的缘故。同时不同专业的博士平均发文章的数量也不太一样，生物、化学类的还是比其他专业多发文章的。
如果有什么问题欢迎关注和私信我！
我举几个学校的例子吧，大家可以根据自己学校的情况进行补充。
资料来源于网络，如果不准确请大家更正。
不同学校,同一学校不同专业要求都不一样,有些专业发十几篇属一般水平,有些专业发一两篇已经不错了,不能比.
这种事和很多因素有关。
1.文理科之间以及不同的研究领域差别很大。理科相对好发表文章。在理科中，材料化学领域也相比数学物理方向好发。
2.你的导师是否是你所在领域的大牛。大牛的课题组相对好发文章，也相对好发好顶级期刊。
3.这和个人能力有关。我是在材料领域，已我认识的人为例，有人博士期间可以发十八九篇一作的文章，也有因为达不到学校毕业要求而被延期的。
4.和你所在学校的层次有关。学校这个平台的好坏直接影响你好不好发文章。同样一篇文章以好学校的名义投稿和以一般学校的名义投稿差别很大。这是我的切身体会。
近些年来，随着各种各样的博士论文造假，以及因为博士发不出论文而选择自杀的新闻出现，人们对博士毕业的门槛产生了关注。
一名博士想要毕业的话，需要满足两个条件：1、证明学术水平的小论文成果达到要求；2、通过博士论文答辩。
就小论文这一项来说，诸如北京大学、人民大学、复旦大学、上海交大等等各大重点高校，都是要求有两篇核心期刊论文。
当然，在具体的操作上或许会降低要求，至少要有1篇核心期刊，另外一篇可以是C扩、C集或者得到学术委员会认可的普刊。
此外，对于同一学校的不同专业来说，论文数量的要求也是不同的。有一些专业发论文比较容易，那么数量的要求就会更多。
但不管这些要求具体为何，普遍的要求就是两篇核心期刊。达到这个要求即可毕业。
对于大多数博士来说，两篇就是他们水平的极限，这点毋庸置疑。
但对于学术水平比较高的博士来说，两篇根本就是小意思洒洒水，他们发表的数量能够达到5篇以上，就属于很不错的情况了。
总而言之，通常是两篇。
根据统计数据，在2022年，中国的SCI数量预计将达到18.4万篇，美国的SCI数量预计将达到11.6万篇，英国的SCI数量预计将达到3.1万篇，德国的SCI数量预计将达到2.7万篇，澳大利亚的SCI数量预计将达到1.7万篇，法国的SCI数量预计将达到1.6万篇，日本的SCI数量预计将达到1.3万篇，韩国的SCI数量预计将达到1.0万篇，加拿大的SCI数量预计将达到0.8万篇，意大利的SCI数量预计将达到0.6万篇。
没有被拒就有机会，认真对待每一个问题。无论你觉得是幼稚还是无理取闹，每一个审稿人不是什么都懂，提的问题不会都很专业，你要耐心解释。切莫相信那个最高赞的回答，审稿人你是震慑不了的，都是无偿审稿，你凭什么能震慑住别人，有时候态度比你回复的内容更重要。无冤无仇，哪有那么多人故意想为难你。回答问题时，如果审稿人的观点你感觉不对，你也不能直接反击，先从审稿人角度说一下，再解释自己的想法，让审稿人接受。能补数据就补，补不了的就说明原因。每一句话都要保持礼貌，不要轻易质疑审稿人的专业性，让审稿人下不来台，麻烦的是自己，我平日里没时间都是找北京译顶可以帮忙的，价格不高
CVPR这两年变味了
点击上方“视学算法 ”，选择加"星标"或“置顶”
重磅干货，第一时间送达
论文被拒确实是比较打击学生士气。 作为发考题，面对心爱的论文被拒，调整自己心态不是这么难，毕竟混了这么多年了； 现在觉得比较困难的是做cheerleader，时刻为学生打气，帮着问候万恶的reviewer 。
也举自己的例子吧，我的Class Activation Mapping，被拒过两次，目前引用数1500+； 早期的Coherent Filtering的投稿时候自己非常得意，但是当头棒，也是被拒过两次才发表出来； Dynamic Agent的TPAMI投稿，major revision两次，前后搞了一年多，最后被拒，然后转投IJCV一次中。 最近最喜欢的两个工作也是全聚德，只能放arXiv自己宣传（大家期待下）。
所以，还能怎样，论文投稿就是在挫折中前行。 how many roads must a man walk down, before you call him a man?
但是话说回来，很多时候被拒过后修改的版本会比第一次的投稿上很大个台阶。 在目前这种猛糙狠干ddl的时代，同学们熬夜赶出来的第一版往往非常粗糙。 被拒修改的这个过程，可以督促他们挖掘一些之前没有注意到的点，实验也会更深入，工作会做得更完整。
所以我觉得大家不妨换个思路，假设第一次投稿默认被拒，心里会舒服一些。 事实如此，80%被拒率作为先验概率摆这里，无人幸免。
愿世间没有病痛以及rejection。 Hallelujah.
我觉得首先自己需要对工作的价值有个评估，然后再想要不要继续投下去的问题。 如果自己很坚定这个工作是有价值的，那继续投到差一点的会议期刊，或者就放arxiv也是蛮好的，毕竟这年代是金子总会闪光的。 投了这么多年paper最大的感受就是绝大多数reviewer都是不qualified来judge你的paper的，很多时候真正能判断工作价值的只有你自己。 举两个例子吧。
第一个是我们16年做的adabn，当初投了可能至少有3 4次，每次review回来都是说，嗯我觉得这玩意可能真的有点用，但是我觉得也太简单了（用方法简单去拒稿本身就是一个荒谬的理由），reject。 后来一作同学改了改投了个稍微差点的journal，中了也就放在那里了。 然而这东西现在基本会是各种domain adaptation比赛的标配，citation也100多了。
第二个是我们17年做的用mmd的观点去汇总各种distill方法的paper，也是屡投不中，reviewer总是在纠结你这个方法好像最后涨得不多啊。 后来一作同学转正加入公司了，对paper也没那么大的需求就放arxiv了事了。 直到今年cvpr iccv发现有两篇paper其实都是我们的特例，而且居然有一篇还是oral，我也就释然了。 毕竟一个更通俗易懂的故事这年头reviewer才更能看懂。
所以说啊，时间会证明一切，做学术把握好自己的内心最重要~
很多老师还有同学喜欢投文章从极高逐步降低，美其名曰绝对不投亏……
但你可能不知道如果你在某个期刊连续被reject多了……编辑会默认要reject你。 这当然也是有一个冠冕堂皇的理由的： 不能正确评价自己工作的人，并不是一个优秀的科研工作者。
实际上，在整个平台上的接受几率也会影响编辑对你的判断，比如爱思唯尔系统。 只要是在这个系统上的投稿记录，编辑都能查到。
此外，即使你不考虑上面的因素，也该考虑下时间成本。 多投不中的论文只有两种情况： 严重高估和有严重硬伤。
前者可以通过降低level来解决，后者基本就扔了重写吧。 作为一个科学工作者你要有自己的判断。 如果还能抢救一下，降格投呗。 不然只能垃圾桶。
另外，远低于期刊水平的论文投多了可能要被加黑名单的……
but，题主不要灰心啊。 才两次还算不上多投不中。 一般我觉得四五次次还没有正面回复基本就凉了。 就该需要检讨了。
我来个像样的回答吧。T-PAMI是机器学习领域的顶刊，目前来讲，我是将其拜为第一把交椅的。鄙人不才，中过几篇，也有幸应邀审稿。CVPR ICCV，ECCV是模式识别领域的顶会，CVPR鄙人认为他是第一，如上几人所述，这几年随着机器学习，人工智能的大火，有水的成分了，两年一度，文章越来也多了。这两者没有可比性，为什么说没有可比性能呢。先说2017年以前吧，我们实验室想中一个T-PAMI，首先要中三大顶会之一，然后，我们在会议论文的基础上对研究结果进行深挖扩展，基本中T-PAMI就很简单了。2017年之后，实验室陆续出现硬上T-PAMI的现象了。顶会中的也就多了。最后呢，关于大家说论文变水了。其实不然，鄙人不才，说一句话：机器学习逐渐变成一门实验科学了，跟生物医学，生化环材一样，注重实验。所以呢，实验室的年轻本科生自己搭建一个新颖的，了不起的模型，识别率突破、实现的功能创新等，也可以中顶会，我认为这是合理的，毕竟纯搞理论也是不对的。有说错的地方，业内大牛可以指正。
cvpr的认可度比TPAMI差很多，并且这几年也变味了，水文较多。
不能，tpami期刊是学术宣传用的不能够申请学校。tpami期刊只是类似于报纸的东西。
tpami投稿日期是自己决定的吧。要提交你的论文，请使用奖学金之一手稿。关于将你的论文提交给TPAMI的详细信息，可以在期刊社区的同行评审中找到作者中心。当TPAMI提交的文件是基于以前的会议论文时，IEEE要求期刊论文是前一期出版物的“实质性修订”(30%通常被认为是“实质性的”)，PAMI在个案的基础上解释和应用这一要求，并适当地尊重作者的观点。我们期望在会议文件中看到的改进的例子包括：额外的技术细节，对贡献的更清晰的解释，更多的实验(如果适当的话)，或者最新的最新技术。当然，鼓励作者使期刊版本成为对会议文件的重大改进，例如利用机会整合他们以前的工作，或者进行额外的实质性工作来回答他们的会议论文提出的问题。由于期刊版本打算成为研究的最终、存档版本，TPAMI期望作者将借此机会进一步改进他们的会议论文。
是的。tpami审稿周期，第二次是一审5个半月，二审是两个半月。IEEE模式分析和机器智能期刊TPAMI（IEEETransonPatternAnalysisandMachineIntelligence）出版了有关计算机视觉和图像理解的所有传统领域，模式分析和识别的所有传统领域以及机器智能的选定领域的文章，其中特别强调了用于模式分析的机器学习。
找准了期刊社就可以发表了，可以在早发表网上期刊投稿，一共就一个月的时间就发好了。
一些同学，在投递论文时，找不到或者傻傻分不清论文发表的官网。便就此打住了发表论文的心思。今天就来帮大家揭开论文发表网站的正确途径。
发表论文无非就两种方式：第一种就是自己投稿，买本杂志，根据版权页上的投稿方式去投稿（这种的弊端就是周期太长，对于着急的客户，不适用）当然，跟杂志社关系好能顺利发表的请无视我的话因为直投杂志社容易，能成果发表难，我认识的主编跟我说他们邮箱里的稿件基本上没有低于过1000篇，而且杂志社就那么几个人，根本不可能忙的过来，就算抽时间看下邮件也就是看个题目，题目不新颖没吸引力的直接略过，就算点开文章，也是先大概看下职称、单位、研究方向、摘要、关键词，没什么吸引人眼球的内容也直接pass掉。第二种就是找代理机构发表（这种的需要睁大眼，发表行业鱼龙混杂，必须得保证自己发的杂志是正刊，也不能是增刊）。找代理机构认准以下几点；一、首先选择国家新闻出版广电局能查到的正规杂志二、其次是某宝担保交易，更有保障三、最后录用通知下来后，亲自打版权页或者收录网站（知网、维普、万方、龙源）上查稿电话查稿确认录用后，再付款。
(一)论文——题目科学论文都有题目，不能“无题”。论文题目一般20字左右。题目大小应与内容符合，尽量不设副题，不用第1报、第2报之类。论文题目都用直叙口气，不用惊叹号或问号，也不能将科学论文题目写成广告语或新闻报道用语。
(二)论文——署名科学论文应该署真名和真实的工作单位。主要体现责任、成果归属并便于后人追踪研究。严格意义上的论文作者是指对选题、论证、查阅文献、方案设计、建立方法、实验操作、整理资料、归纳总结、撰写成文等全过程负责的人，应该是能解答论文的有关问题者。现在往往把参加工作的人全部列上，那就应该以贡献大小依次排列。论文署名应征得本人同意。学术指导人根据实际情况既可以列为论文作者，也可以一般致谢。行政领导人一般不署名。
(三)论文——引言 是论文引人入胜之言，很重要，要写好。一段好的论文引言常能使读者明白你这份工作的发展历程和在这一研究方向中的位置。要写出论文立题依据、基础、背景、研究目的。要复习必要的文献、写明问题的发展。文字要简练。
(四)论文——材料和方法 按规定如实写出实验对象、器材、动物和试剂及其规格，写出实验方法、指标、判断标准等，写出实验设计、分组、统计方法等。这些按杂志 对论文投稿规定办即可。
(五)论文——实验结果 应高度归纳，精心分析，合乎逻辑地铺述。应该去粗取精，去伪存真，但不能因不符合自己的意图而主观取舍，更不能弄虚作假。只有在技术不熟练或仪器不稳定时期所得的数据、在技术故障或操作错误时所得的数据和不符合实验条件时所得的数据才能废弃不用。而且必须在发现问题当时就在原始记录上注明原因，不能在总结处理时因不合常态而任意剔除。废弃这类数据时应将在同样条件下、同一时期的实验数据一并废弃，不能只废弃不合己意者。
实验结果的整理应紧扣主题，删繁就简，有些数据不一定适合于这一篇论文，可留作它用，不要硬行拼凑到一篇论文中。论文行文应尽量采用专业术语。能用表的不要用图，可以不用图表的最好不要用图表，以免多占篇幅，增加排版困难。文、表、图互不重复。实验中的偶然现象和意外变故等特殊情况应作必要的交代，不要随意丢弃。
(六)论文——讨论 是论文中比较重要，也是比较难写的一部分。应统观全局，抓住主要的有争议问题，从感性认识提高到理性认识进行论说。要对实验结果作出分析、推理，而不要重复叙述实验结果。应着重对国内外相关文献中的结果与观点作出讨论，表明自己的观点，尤其不应回避相对立的观点。 论文的讨论中可以提出假设，提出本题的发展设想，但分寸应该恰当，不能写成“科幻”或“畅想”。
(七)论文——结语或结论 论文的结语应写出明确可靠的结果，写出确凿的结论。论文的文字应简洁，可逐条写出。不要用“小结”之类含糊其辞的词。
(八)论文——参考义献 这是论文中很重要、也是存在问题较多的一部分。列出论文参考文献的目的是让读者了解论文研究命题的来龙去脉，便于查找，同时也是尊重前人劳动，对自己的工作有准确的定位。因此这里既有技术问题，也有科学道德问题。
一篇论文中几乎自始至终都有需要引用参考文献之处。如论文引言中应引上对本题最重要、最直接有关的文献;在方法中应引上所采用或借鉴的方法；在结果中有时要引上与文献对比的资料；在讨论中更应引上与 论文有关的各种支持的或有矛盾的结果或观点等。
(九)论文——致谢 论文的指导者、技术协助者、提供特殊试剂或器材者、经费资助者和提出过重要建议者都属于致谢对象。论文致谢应该是真诚的、实在的，不要庸俗化。不要泛泛地致谢、不要只谢教授不谢旁人。写论文致谢前应征得被致谢者的同意，不能拉大旗作虎皮。
(十)论文——摘要或提要：以200字左右简要地概括论文全文。常放篇首。论文摘要需精心撰写，有吸引力。要让读者看了论文摘要就像看到了论文的缩影，或者看了论文摘要就想继续看论文的有关部分。此外，还应给出几个关键词，关键词应写出真正关键的学术词汇，不要硬凑一般性用词。