🔍 耿同学打假报告

论文信息

标题：Exploring Large Vision-Language Models for Robust and Efficient Industrial Anomaly Detection
作者：Kun Qian, Tianyu Sun, Wenhong Wang
机构：Shangqiu University
期刊：arXiv preprint (arXiv:2412.00890v1)
发表年份：2024

综合评定：🔴 实锤

详细发现

发现 1：AI 幻觉导致的严重“张冠李戴”式虚假引用

位置：Reference 25, Reference 28
描述：作者在文中声称使用了 Vision Transformer (ViT) 模型，并在参考文献 [25] 中引用了一篇 2016 年的文章。同样，作者在对比实验中引用了 SPADE 方法 [28]。经过核实，这两篇引用的内容与文中所声称的方法完全不匹配，属于明显的 AI 大语言模型“幻觉”产物。
证据：
1. 文献 [25] 标题为 "Discriminative unsupervised feature learning with exemplar cnns" (2016)，作者是 Alex Krizhevsky 等人，这根本不是 Vision Transformer (ViT) 的开创性论文。真正的 ViT 论文应为 Dosovitskiy 等人 2020 年的 "An Image is Worth 16x16 Words"。
2. 文献 [28] 被用于代表 SPADE 异常检测算法，但该文献的标题是 "Spatio-temporal visual analysis for urban traffic characters based on video surveillance camera data" (2021)，这是一篇关于城市交通监控的论文。真正的 SPADE 是 Cohen 等人 2020 年发表的 "Sub-Image Anomaly Detection with Deep Pyramid Correspondences"。
3. 类似地，文献 [12] 关于 DALL-E 的引用也非 OpenAI 的原始论文，而是一篇不知名的期刊文章。
严重程度：🔴

发现 2：方法学上的“空中楼阁”（不可实现的伪公式）

位置：Section 3.4 (公式 7)
描述：作者在总损失函数中加入了一个重建损失，其公式定义为计算视觉和文本嵌入的“逆函数”。
证据：公式 (7) 假设预训练编码器存在逆函数 $f_v^{-1}$ 和 $f_t^{-1}$ ，即直接从特征向量重构回原始图像和文本。然而，作者明确说明使用的是预训练的 ViT/GPT 等模型，这些判别式模型根本没有解码器和现成的逆函数。文中也从未定义或引入任何解码器网络结构。这是典型的大语言模型捏造的“听起来很高深但根本无法在代码中实现”的伪数学公式。
严重程度：🔴

发现 3：自相矛盾的数据结论

位置：Section 4.2 (Table 1 及正文描述)
描述：作者在正文中信誓旦旦地宣称：“CLAD consistently outperforms all other methods on both datasets, achieving the highest scores in both anomaly detection and localization tasks.”（CLAD在两个数据集的所有指标上都胜过所有方法）。
证据：观察作者自己提供的 Table 1，在 VisA 数据集的 Pixel-AUC 指标上，WinCLIP 的得分是 96.4 ± 0.4，而作者提出的 CLAD 得分是 96.2 ± 0.1。CLAD 的得分明明比 WinCLIP 低了 0.2，却声称自己取得了最高分。这说明作者连自己编造或生成的数据都没有仔细核对过。
严重程度：🔴

发现 4：过于“完美”且违背常理的统计数据

位置：Table 1, Table 3, Table 4
描述：文中报告的定量评估数据缺乏真实的噪声，且统计学特征极不自然。
证据：
1. 在 Table 1 中，CLAD 在 MVTec-AD 和 VisA 上的 Pixel-AUC 标准差均仅为 0.1（95.3 ± 0.1, 96.2 ± 0.1）。在五次独立实验中，将 AUC 指标的波动控制在 0.1 以内几乎是不可能的，这通常是编造数据时为了凸显“稳定性”而拍脑门定下的数字。
2. Table 3（人类评估）的得分依次为：3.4, 3.7, 4.1, 4.4, 4.6；Table 4（IoU）的得分依次为：0.63, 0.66, 0.72, 0.75, 0.80。不同方法之间的提升呈现出几乎完美的线性或阶梯状分布，且没有任何标准差或置信区间。
严重程度：🟠

发现 5：文本与图片信息缺失

位置：全文
描述：一篇声称研究“视觉-语言模型”且标榜能够进行“异常定位”的计算机视觉论文，全文竟然没有包含任何一张实验结果图。没有网络结构图，没有异常定位的热力图对比，没有任何真实的工业缺陷示例。
证据：计算机视觉领域的论文通常图文并茂，特别是强调“visual heatmap”的论文。缺乏任何可视化结果，极大概率是因为作者没有真正跑过模型，无法生成真实的热力图，干脆直接省略。
严重程度：🟠

耿同学辣评

这篇论文可以说是“赶尸派”的巅峰之作——从引言到方法再到实验，全篇散发着 ChatGPT 味儿的防腐剂。连大名鼎鼎的 ViT 和 SPADE 文献都能引用成交通监控和十年前的CNN文章，公式里更是直接给 Transformer 求了个“逆函数”，牛顿看了都得给你把棺材板掀开。更搞笑的是，作者在正文里吹嘘自己全项第一，结果一翻表格，自家的 Pixel-AUC 硬生生比对比方法低了 0.2。用AI写论文没问题，但能不能麻烦用手按住 Ctrl+C/V 的时候，稍微用肉眼扫一下表格呢？

建议后续行动

向 arXiv 平台举报该预印本存在严重学术不端（虚假引用、AI捏造事实）
在 PubPeer 上公开质疑其数据的真实性
联系作者所在机构（Shangqiu University）学术委员会，要求核实实验记录和原始代码
强烈建议作者学习《如何正确使用大语言模型辅助科研而不翻车》

⚠️ 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。

Exploring Large Vision-Language Models for Robust and Efficient Industrial Anomaly Detection