🔍 耿同学打假报告

论文信息

标题：DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection
作者：Haoyang He, Jiangning Zhang, Hongxu Chen, Xuhai Chen, Zhishan Li, Xu Chen, Yabiao Wang, Chengjie Wang, Lei Xie
机构：浙江大学，腾讯优图
期刊：未明确标注（推测为顶级会议 AAAI/CVPR/ICCV 投稿稿件，引用文献最新至 2023 年底）
论文来源：DiDA.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据造假检测（Table 9 消融实验数据异常雷同）

位置：Page 7, Table 9: Ablation studies on the feature layers...
描述：在关于特征层选择的消融实验中，两组不同的特征层组合产生了完全一致的实验结果，精确到小数点后一位。
证据：
在 Table 9 的最后两行中：
- 组合 f3, f4, f5 (对应 Table 中倒数第二行 ✓ ✓ ✓)：结果为 97.1, 99.0, 96.8, 96.4, 49.4, 53.1
- 组合 f4, f5 (对应 Table 中最后一行 ✓ ✓)：结果为 97.1, 99.0, 96.8, 96.4, 49.4, 53.1
  深度学习模型中去掉一个特征层（f3）后，所有 6 个评估指标（包括 AUROC, AP, F1max）竟然纹丝不动，这在实际实验中概率极低。这高度暗示作者可能为了节省计算资源没有跑该组实验，或者复制粘贴数据时出现了低级失误。
严重程度：🔴

发现 2：方法学异常（公式 9 存在致命数学错误）

位置：Page 6, Anomaly localization and detection 章节，公式 (9)
描述：论文给出的异常定位得分计算公式（余弦相似度）在数学上存在逻辑矛盾，导致计算结果恒为 0。
证据：
公式 (9) 写为：

M_n(x_0, \hat{x}_0) = 1 - \frac{(\Psi_n(x_0, \hat{x}_0))^T \cdot \Psi_n(x_0, \hat{x}_0)}{\|\Psi_n(x_0, \hat{x}_0)\| \|\Psi_n(x_0, \hat{x}_0)\|}

输入逻辑错误：特征提取网络 $\Psi$ 通常接受单张图像输入，而这里 $\Psi_n(x_0, \hat{x}_0)$ 让其同时接受了原图和重建图作为输入，这与文字描述“extract features from both the input image and the reconstructed image”不符。
数学恒等错误：无论 $\Psi_n$ 输出什么向量，分子为向量的内积（模的平方），分母为模的乘积。两者相等，因此分数部分永远为 1。导致 $M_n \equiv 1 - 1 = 0$ 。
正常应该是计算两个特征向量 $\Psi_n(x_0)$ 和 $\Psi_n(\hat{x}_0)$ 的余弦距离。
这种错误表明作者在公式推导和论文撰写时极度不严谨，或者该公式根本就是为了应付审稿人而随意编造的。

严重程度：🟠

发现 3：数据一致性核查（Table 8 与主表数据一致性）

位置：Page 7, Table 8 vs Table 1/Table 3
描述：在 Table 8 的消融实验中，作者将默认配置（ResNet50）的结果作为 Baseline 列出。
证据：
Table 8 中 ResNet50 的结果为 97.2/99.0/96.5/96.8/52.6/55.5。这与 Table 1 和 Table 3 中的 "Ours" 结果完全一致。
虽然这在逻辑上是自洽的（说明主实验确实用的是 ResNet50），但在消融实验表中直接把主实验结果抄过来作为对比项，这种“偷懒”行为结合前面的 Table 9 错误，进一步加深了对作者实验真实性的怀疑。
严重程度：🟡

耿同学辣评

这篇论文的主要贡献在于把 Stable Diffusion 改造用于异常检测，故事讲得不错，但写作态度属实有点“赛博朋克”——公式写得像是在算命（算出来全是0），消融实验的数据像是在玩找不同游戏（去掉一层特征结果竟然一模一样）。建议作者在把代码开源之前，先复习一下高中数学的向量点乘，顺便检查一下键盘上的 Ctrl+C 和 Ctrl+V 键是不是卡住了。

建议后续行动

仔细核查 Table 9 倒数两行的原始实验日志，确认是否为笔误或数据造假。
联系作者要求提供原始代码和公式 (9) 的具体实现，以确认其方法是否真的有效。
在 PubPeer 上提出质疑（针对数据重复和公式错误）。

⚠️ 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。

DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection