美国CV方向CS PhD申请资料回忆

Preface

12月上旬，我完成了硕士学位相关的课业和毕业论文，准备chill以下。这时候，实验室的同学打趣，说我科研背景不错，为什么不申个PhD试试。我想了下，本校PhD，不用面试，不用申请费。于是，本着不申吃亏的心态，我就提交了申请。12月14日，在问教授要推荐信的时候，教授建议我多申几所，以防万一。于是12月15日这个DDL的日子，我又匆忙补申了6个项目，赶到最后10分钟，才把申请资料提交完毕，可谓是惊心动魄。PhD结果一般要2月才出，趁着还没收到拒信，心情不错的功夫，我来写一篇文章，总结一下美国CS PhD申请中，用到了哪些资料，以及有哪些注意事项，以供地里的学弟学妹们参考。

Outline

• 选教授 （Professor List）
• 选校（School List）
• 成绩单（Transcript）
• 标化（GRE，TOEFL）
• 推荐信（LoR)
• 简历（CV）
• 文书（SoP，PS）

选教授

CS PhD和MS不同，申请先看教授，再看学校。地里有非常多选导师的帖子，但大都是针对本科，或者研究方向不明确的硕士同学。而对于研究方向明确的同学，以下方法更加高效：

1. 先问自己的导师和同学（没必要是同lab，只要研究方向相近即可），让他们列一些他们申请过的教授。

1. 通过Google Scholar，找到这些教授的主要合著教授，并加入List。
2. 通过阅读官网，以及主要的几篇论文，来筛除研究方向不是很match的教授。

我个人研究的方向是Generative Models和Low-Level Vision，也做一些Object Detection和Semantic Segmentation。以下是我最终的教授List。

CMU：

• Srinivasa Narasimhan：主要做Autonomous Driving in Bad Weather，Physics-Based Vision，和Low-Level Vision。
• Jun-Yan Zhu：Generative Models领域大佬，Pix2Pix，CycleGAN等里程碑式论文的作者。
• Jean Oh：方向比较小众，主要做HCI, Arts and Robotics, Fairness等。

MIT：

• Vincent Sitzmann：主要做3D Vision中的Scene Representation，但最近也开始结合Generative Models，比如Diffusion。
• William T. Freeman：之前做了非常多的Physics-Based，但近年也做Learning-Based。
• Antonio Torralba：研究领域非常广，但代表作集中在Object Detection和Semantic Segmentation领域。

UW：

• Ira Kemelmacher-Shlizerman：主要做Face Recognition & Reconstruction，以及Generative Models中的Image Synthesis。
• Brian Curless & Steve Seitz：主要做Rendering和Reconstruction。

UMich：

• Justin Johnson：李飞飞的大徒弟，研究领域很广，且大都是开坑之作。
• Andrew Owens：主要做Generative Models和Vision-Audio。
• Jason Corso：主要做Video Understanding，Vision-Language，以及Medical Imaging。

UT-Austin：

• Zhangyang Wang：主要做Low-Level Vision中的Image Restoration & Enhancement。
• Philipp Krähenbühl & Kristen Grauman：主要做Generative Models和Object Detection。

Princeton：

• Felix Heide：主要做3D Vision，也做一些Efficient Network Learning和Low-Level Vision。
• Olga Russakovsky & Jia Deng：都是李飞飞的徒弟。ImageNet的作者。在Generative Models，Object Detection，和Semantic Segmentation方面做过不少工作。

Cornell：

• Bharath Hariharan：主要做Object Detection和Semantic Segmentation。
• Noah Snavely & Wei-Chiu Ma：主要做Rendering和Reconstruction，也做一些Generative Models。

选校

选完教授之后，选校就比较好办了：申请心怡教授所在的学校即可。但是，美国CS PhD毕竟卷中卷，因此在选校层次方面，还是要理性一些。根据往届申请的结果，美国CS PhD常见学校的申请难度，整体分为两个档次（下划线为我最终申请的学校，每个档次内的学校排序不分先后，第二档的学校，有遗漏的欢迎评论区补充）。

第一档：四大（CMU, MIT, Stanford, UCB), UW
第二档：UMich, UT-Austin, Princeton, Cornell, UCLA, UIUC, UCSD, Columbia, NYU, UPenn，...

接下来解读下，部分学校的申请注意点。

• CMU：本校，有申请。提醒下，CMU本校的同学，申PhD，只可以waive两个项目的申请费，因此，CV方向的同学，建议提交PhD in CS，和PhD in Robotics，当然你做的特别理论的话，可以考虑PhD in ML。

• MIT：有申请。跟我教授有connection，并且前两届同学都有申到。提醒下，MIT的申请系统非常难用：申请文件没法上传，要一个个粘贴到文本框。

• UW：有申请。难度不亚于四大，但是前两届同学有申到，于是申一个当彩票。

• UT-Austin：有申请。他家需要两个系统，一个是德州学校通用的，还有一个是UT-Austin自家的，申请提交后一天才会把ID发给你，强烈不建议压着DDL提交（lol说的就是我）。

成绩单

成绩单没什么好说的，美国就读的同学，直接去学校系统，付费Order一份Official Transcript，下载为PDF，提交到申请系统。

标化

标化对于PhD申请作用不大，只要过线（GRE>325，TOEFL>105），大部分学校就OK了。在美国读硕士的同学，一般可以waive掉托福，同时交本申硕时期的GRE。

推荐信

推荐信应该是申请CS PhD最重要的材料，或许没有之一。我认为推荐信有以下几个重点。

• 绝不能黑推：一封黑推，就能葬送整个申请。避免黑推的好方法，是问问推荐人的学生和朋友，以及网上查阅，看看推荐人有没有黑推的历史。
• 推荐信呼应文书：尽可能在要推荐信前完成文书初稿，并发给推荐人，让他们写推荐信的时候，帮忙呼应下文书中提到的项目。
• 推荐人熟悉你：只有推荐人足够熟悉你，才能写出诚恳，丰富，详实的推荐信，让他的推荐显得可信。举个例子，自己实习的组长或经理，自己科研的导师，只要足够熟悉，都是不错的选择。纯上过课的教授，尽量就别写了，对PhD申请没用。
• 推荐人角度多样：三封推荐信，建议让三个研究大领域类似，但小领域略有不同的推荐人来写。举个例子，三位推荐人都做Computer Vision，其中一位做Generative Model，另一位做Low-Level Vision，还有一位是什么都做的大牛，这样的分配就比较合理。

简历

简历一般用overleaf/latex模板做，看上去更加整齐。有些同学会喜欢放两页，但个人更喜欢只放一页，让简历更“简”洁。

简历从上到下，应该包含以下内容：

• Education: 硕士学校和本科学校，每一个学校下，都要写实验室，导师，和重要荣誉奖项。
• Publications: 列自己的论文，正在投的和已经发的都可以。会议或期刊尽量用简称（比如CVPR），并且加粗。另外，加粗自己的名字，以及任何获得了Oral或者Spotlight的论文。
• Research Experiences: 一个project可以对应一篇，也可以对应多篇论文，但一定要突出项目的技术创新点，比如Propose a novel framework for XXX task，以及量化自己的成就，比如+10% mAP50 upon state-of-the-art。有Github或者Presentation的，也可以把Link放在旁边。
• Professional Experiences: 对PhD申请没太大帮助。但如果公司是Big Name，或者研究方向特别相关，也可以写。一般是用STAR原则来写，同样要突出技术创新点，和量化成就。
• Service/Activities: 如果当过Area Chair，Reviewer, Guest Speaker, TA，Tech Blogger之类的，可以写下。
• Skills: 写下自己会的编程语言，框架和软件，熟悉的主线模型，以及自己喜欢的运动。

文书

文书一般分为Statement of Purpose (SoP)，和Personal Statement (PS)两类。简而言之，SoP一般突出自己的Research Interest & Goal，而PS一般突出自己的Diversity。因为PS不是很重要，所以这里直接跳过PS，来讲SoP。

先来讲SoP的写作要点:

• 正文尽量控制到两页，并用适合阅读的字体类型，大小和颜色，方便阅读。
• 申请PhD和申请MS的SoP不一样，请去掉任何宣泄情感的语句，始终保持专业，理性和简洁，按我Lab学长的说法，越“冷血”越好。
• SoP不像一张纸，而像一棵树，我们从大而笼统的地方切入，然后逐渐过渡到小而具体的细节。
• 加粗自己项目的亮点，比如Accepted by CVPR, Boosted inference speed by 100 times。
• 加粗自己合作过的教授，如果教授是领域内的大牛，或者会给你写强推。
• 在深度和广度方面做好权衡，写太细节，不同小方向的教授读不懂，写太笼统，又显得自己的研究不够深入。
• 第一页末尾，或第二页顶端，可以放算法的效果图（如果效果很爆表的话）。
• 记得in-text cite重要论文，并且留一页reference page，列出你在文中引用的论文。
• 理论上可以用word，但是强烈建议用overleaf/latex，方便根据不同项目要求调整。

以下是我SoP的大纲：

• Research Interests & Directions：先点明自己的研究大领域（比如Computer Vision)，紧接着介绍自己的研究大目标（比如Scalable Scene Understanding)，接着开始进入小的方向（比如Generative Model) 。注意，每个小方向的探索，都是为了解决大目标而做的。同时，每一个小的方向，都对应下文的一个Project。
• Projects：先概括这个小方向主要做什么东西，现行算法的问题是什么，以及自己发了哪些论文，去解决这些问题。接着，每篇论文可以给一小段，学着论文摘要的方法，像讲故事一样，先讲背景，再讲痛点，然后讲方案，最后讲结果。记得多用数字来量化结果！
• Future Plans at PhD：直接讲自己想跟目标院校的哪些教授，在哪些研究方向合作。一般一个教授一句即可。这步难的是怎么讲自己和教授的研究小方向无缝对接起来，往年这块写作很让人头疼，但是今年有了GPT-4，我觉得还算挺好写的。另外，请尽量用"work with"这样的主动语气，而不是"advised by"这样的被动语气。

在文章的最后，希望大家都能在申请季取得理想的结果。也祝大家新年快乐，身体健康，家庭和睦，学业有成，事业进步。谢谢！