🔍 耿同学打假报告

论文信息

• 标题：MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection
• 作者：Haoyang He, Yuhu Bai, Jiangning Zhang, Qingdong He, Hongxu Chen, Zhenye Gan, Chengjie Wang, Xiangtai Li, Guanzhong Tian, Lei Xie
• 期刊/会议：38th Conference on Neural Information Processing Systems (NeurIPS 2024)
• 发表年份：2024
• 论文来源：终极棒的参考文献！.pdf

综合评定：🟡 存疑

评定理由：本文提出了一个基于 Mamba 的异常检测框架，整体故事讲得通，数学公式推导基本自洽。但是，在细节打磨上存在明显的“赶工”痕迹（如参考文献引用缺失），且在 Real-IAD 数据集上的对比实验结果呈现出“打压竞品以突显自身”的可疑模式。虽然没有发现一击致命的 PS 痕迹或数据乱造，但多处细节经不起推敲，建议作者公开代码和原始数据以证清白。

详细发现

发现 1：引用文献“离奇失踪”（第六式：引用与方法学异常）

• 位置：Appendix, Table A7 & Table A9 (Page 16-17)
• 描述：在附录的 Uni-Medical 和 COCO-AD 数据集对比表格中，SimpleNet 方法的参考文献编号显示为空 []。
• 证据：
  • Table A7: SimpleNet []
  • Table A9: SimpleNet []
  • 而在正文的 Table 1 中，SimpleNet 的引用是正常的 [30]。
• 严重程度：🟡
• 辣评：写论文就像写代码，复制粘贴的时候能不能把参数改全？正文的 [30] 复制到附录就变成了 []，这是拿读者的视力开玩笑吗？

发现 2：竞争对手数据“惨不忍睹”的迷之操作（第二式：数据造假检测）

• 位置：Appendix, Table A11 & Table A12 (Real-IAD 数据集)
• 描述：作者在 Real-IAD 数据集上与自己的前作 DiAD（注：第一作者 Haoyang He 也是 DiAD 的第一作者）进行对比时，DiAD 的表现呈现出极不合理的崩塌。
• 证据：
  • 在 Table A11 (Detection) 中，DiAD 的 Image AU-ROC 还能看（如 audiojack 76.5），但 AP 却是离谱的 0.1（即 0.001）。
  • 对比 MambaAD 的结果（AP 21.6），这相当于说前作在此数据集上基本等同于随机猜测，而新作提升了 200 倍。
  • 虽然 Real-IAD 是新数据集，但作为 AAAI 2024 的 DiAD 方法，性能是否真的会差到 AP 只有 0.1？且 MambaAD 的性能又好得如此夸张？
  • 作者引用的 DiAD 文献 [18] 是 2024 年的，如果 DiAD 原文中没有跑过 Real-IAD，这里的对比数据是如何产生的？
• 严重程度：🟠

发现 3：消融实验数据“撞车”巧合（第四式：统计学异常检测）

• 位置：Table 4 & Table 5 (Page 8-9)
• 描述：在不同的实验设置（Backbone 深度和扫描方式）下，Pixel-level 的 AP 和 AU-PRO 指标出现了高度雷同的数值。
• 证据：
  • Table 4: ResNet34 [2,9,2,2] 配置下，Pixel AP 为 56.4，Pixel PRO 为 93.2。
  • Table 4: ResNet34 [3,4,6,3] 配置下，Pixel AP 为 56.3，Pixel PRO 为 93.1。
  • Table 5: Index 7 (Hilbert 8) 配置下，Pixel AP 为 56.3，Pixel PRO 为 93.1。
  • Table 5: Index 4 (Zigzag 8) 配置下，Pixel AP 为 56.3，Pixel PRO 为 93.1。
  • 不同的扫描策略和模型深度，居然得出了几乎完全相同的 Pixel AP (56.3) 和 PRO (93.1)。虽然网络结构相似可能导致性能相近，但在如此多不同的变量组合下反复出现完全相同的数值（甚至精确到小数点后一位），在统计学上显得非常刻意。
• 严重程度：🟡

发现 4：文本描述与术语的不一致（第六式：引用与方法学异常）

• 位置：Table 1 标题及正文
• 描述：拼写错误及术语混用。
• 证据：
  • Table 1 的表头写着 Dateset Method，应为 Dataset Method。这是一个低级的拼写错误，显示出校对不仔细。
  • 正文中提到 Mamba 的优势是 linear complexity（线性复杂度），但在 Introduction 和 Abstract 中反复强调 CNNs struggle with long-range dependencies（CNN 难以处理长距离依赖）。虽然这是常识，但把 CNN 和 Transformer 的缺点分别列出来然后把 Mamba 塞进去的逻辑框架略显生硬，特别是号称解决了 CNN 的局部性问题，但方法里（LSS 模块）又用了大量的 CNN (DWConv) 来补充局部信息，这某种程度上承认了 Mamba 本身局部信息的不足。
• 严重程度：🟡

发现 5：无法验证的“SOTA”声明（第一式：图片复用检测）

• 位置：Figure 1, Figure 4
• 描述：本文提供的 PDF 文本中无法提取出高分辨率的图片进行像素级分析。
• 证据：
  • 由于输入仅为文本流，无法检测 Figure 1 和 Figure 4 中是否存在一图多用、背景噪点不一致或 PS 拼接痕迹。
  • 严重怀疑 Figure 1 中 MambaAD 的红色异常热力图是否经过了人为的锐化或色彩增强，以使其看起来比 RD4AD 和 UniAD 更“亮”。
• 严重程度：⚠️ 缺乏数据无法判断

耿同学辣评

这篇论文简直就是“缝合怪”界的教科书：开头先用 Mamba 蹭一波热度，中间用 CNN 打个补丁（DWConv），结尾用扩散模型（DiAD）做个垫脚石。附录里参考文献 [] 都敢空着就敢喊 SOTA，这大概就是传说中的“只要我跑得够