🔍 耿同学打假报告

论文信息

• 标题：Unsupervised Visual Anomaly Detection Using Self-Supervised Pre-Trained Transformer
• 作者：JUN-HYUNG KIM AND GOO-RAK KWON
• 期刊：IEEE Access
• DOI：10.1109/ACCESS.2024.3454753
• 发表年份：2024
• 论文来源：Unsupervised_Visual_Anomaly_Detection_Using_Self-Supervised_Pre-Trained_Transformer.pdf

综合评定：✅ 清白

详细发现

本报告基于“耿同学六式”对这篇计算机视觉领域的学术论文进行了全面审查。由于这是一篇深度学习/计算机视觉方向的论文，传统生物医学论文中常见的 Western Blot、凝胶电泳等图片造假问题在此不适用，我们将重点放在数据逻辑、时间线和实验合理性上。

发现 1：时间线与引用一致性验证（完美符合逻辑）

• 位置：全文（Method & Reference 部分）
• 描述：论文使用了 Meta AI 在 2023 年发布的 DINOv2 模型（参考文献 [25] arXiv:2304.07193，发布于 2023 年 4 月；参考文献 [26] arXiv:2309.16588，发布于 2023 年 9 月）。论文的接收日期为 2024 年 8 月 14 日。
• 证据：作者在 2024 年下半年撰写的论文中使用了 2023 年上半年的预训练模型，时间逻辑严丝合缝。此外，论文中提到的具体参数（如 DINOv2 将图像分割为 14×14 的 Patch）与 DINOv2 官方原论文完全一致，说明作者确实使用了该模型，没有编造不存在的模型配置。
• 严重程度：✅ (无异常，加分项)

发现 2：产出周期异常检测（IEEE Access 的“速度与激情”）

• 位置：论文首页脚注
• 描述：Received 14 August 2024, accepted 2 September 2024. （8月14日收稿，9月2日录用）
• 证据：从投稿到录用仅用了 19 天。
• 严重程度：🟡 (存疑/注意)
• 补充说明：这不是作者的问题，而是期刊的特色。IEEE Access 以审稿极快著称（通常采用单盲且审稿周期极短），19 天的录用周期虽然对传统的理工科实验论文来说快得令人咋舌，但在 IEEE Access 中是常态。不过，如此短的周期意味着同行评审可能不够深入，需警惕实验设计的瑕疵未被审稿人发现。

发现 3：硬件与时间成本合理性验证

• 位置：Section IV. B (Implementation Details) & Table 10
• 描述：作者声明实验使用的是 NVIDIA Geforce RTX 3090，Table 10 列出了具体的训练时间。
• 证据：RTX 3090 是 2020 年发布的消费级显卡，截至 2024 年完全合理。训练时间方面，Bottle 类别在默认设置（6 blocks, 10 heads）下耗时约 354.9 分钟（将近 6 个小时）。对于基于 ViT-g（庞大的模型）和 300 个 Epochs 的训练任务来说，这个训练时间是符合物理规律的，没有夸大算力或压缩不可能的时间。
• 严重程度：✅ (无异常)

发现 4：数据造假检测（随机性与逻辑）

• 位置：Table 3 - Table 9
• 描述：对论文中的消融实验数据进行了逻辑校验。
• 证据：
  • Table 5: 随着 DINOv2 模型规模的增大（ViT-B -> ViT-L -> ViT-g），性能确实呈现上升趋势（由于强大的泛化能力，ViT-L 到 ViT-g 的提升符合预期）。
  • Table 6: 掩码比例从 10% 变化到 40%，10% 时取得最佳结果（86.38），40% 时性能下降（85.72）。这符合常理，因为过多的掩码会破坏图像的全局语义信息。
  • Table 8: 逐步增加合成异常类型，性能单调递增（79.13 -> 82.84 -> 86.38），符合数据增强多样性的逻辑。
  • 论文没有报告生物学中常见的“过于完美”的标准差或小数点后完全一致的异常数据。
• 严重程度：✅ (无异常)

发现 5：图片与像素级分析（受限）

• 位置：Figures 1-4
• 描述：文本中未提供原始的高分辨率图片文件，无法进行像素级噪点分析、图层检测或 PS 痕迹排查。
• 证据：图 4（检测结果示例）作为计算机视觉的定性分析图，热力图分布与描述相符。由于缺乏原图，暂未发现明显的拼接或一图多用迹象。
• 严重程度：ℹ️ (信息不足，无法判断)

耿同学辣评

这篇论文可以说是“根正苗红”的AI算法缝合怪（褒义），把 DINOv2 和 Masked Language Model 的思路搬到了工业缺陷检测上。虽然期刊影响因子可能不高，但数据逻辑严密，连跑实验的 RTX 3090 都在勤勤恳恳地熬它该熬的 6 个小时，时间线连哪怕一秒钟的时空穿梭都没有发生。唯一的槽点就是这可怕的发表速度——19 天就被 IEEE Access 录用了，连显卡都没来得及降温，论文就已经见刊了！

建议后续行动

• 联系作者要求提供原始数据 (文本层面未发现系统性造假，暂无必要)
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 耿同学建议：可以安心引用，这是一篇经得起时间线考验的正常学术论文。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。
特别说明： 受限于输入形式为纯文本/PDF解析流，本报告无法对图片（如 Figure 4 的热力图）进行底层的 EXIF 信息或像素级伪造检测（ELA 分析），仅基于文本逻辑和学术常识进行了全面审查。