🔍 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
期刊：未在文本中明确标明，推测为顶级会议（如 CVPR/ICCV/NeurIPS），目前处于预印本或投稿状态
发表年份：2023 (基于参考文献最新为 2023 年 11 月)
论文来源：DiDA.pdf

位置：Table 9 (Ablation studies on the feature layers)
描述：Table 9 探究了不同特征层组合（ $$f_1$$ 到 $$f_5$$ ）对异常评分计算的影响。论文中列出了 7 种不同的特征层组合方案。然而，第 4 行（3 个勾，推测为 $$f_1, f_2, f_3$$ ）和第 7 行（2 个勾，推测为 $$f_4, f_5$$ ）的实验数据竟然一模一样。
证据：
- 第 4 行数据：97.1 / 99.0 / 96.8 / 96.4 / 49.4 / 53.1
- 第 7 行数据：97.1 / 99.0 / 96.8 / 96.4 / 49.4 / 53.1
- 逻辑冲突：使用 3 个特征层（包含浅层和深层特征）与使用 2 个完全不同的特征层，在数学和模型表现上不可能产生完全一致的 6 项指标（精确到小数点后一位）。这是典型的在编写 LaTeX/Word 表格时复制粘贴忘记修改数据的低级造假行为。
严重程度：🔴

位置：Table 8 (Ablation studies on different feature extractors)
描述：在对比不同 backbone 网络的消融实验中，出现了违背统计学常理的“完美巧合”。
证据：
- ResNet-50 的 F1maxcls 为 96.5。
- ResNet-101 的 F1maxcls 为 96.5。
- WideResNet-50 的 F1maxcls 为 96.5。
- 在 MVTec-AD 这样包含多个子类别、数据分布复杂的数据集上，三个架构深度和宽度截然不同的网络，其最终的 F1 分数不可能在没有任何人为干预的情况下，极其巧合地收敛到同一个数值。这暗示作者可能为了凸显最终选用的 ResNet-50 的优势，人为编造或修饰了其他模型的对比数据，或者在计算时出现了严重的数据复用错误。
严重程度：🔴

位置：Table 8 (ResNet-50 行)
描述：在 Table 8 中，ResNet-50 的 APcls 数据被写成了 99，而表格中其他所有数据均保留一位小数（如 97.2, 98.1 等）。
证据：通常这类指标应为 99.0。虽然这可能是排版笔误，但结合前两个发现，反映出该论文在数据整理和核对环节极其不严谨，存在大量“手工修改”的痕迹。
严重程度：🟡

位置：Table 7 (Ablation studies on the design of DiAD)
描述：在验证 SGEB3 和 SGEB4 模块的消融实验中，数据变化不符合深度学习模型迭代的正常逻辑。
证据：
- 第 3 行（加入 SGEB3）：cls 为 95.3，seg 为 89.1。
- 第 4 行（加入 SGEB4）：cls 暴跌至 93.8，seg 却回升至 91.2。
- 这种“按下葫芦浮起瓢”且波动幅度极大的现象，说明模型结构改动并没有带来稳定的收益，反而可能存在严重的过拟合或代码 bug。然而作者在正文中对此现象的解释轻描淡写，直接跳到