🔍 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：Zhejiang University; Youtu Lab, Tencent
期刊/会议：未明确标明（疑为顶会投稿，符合AAAI/IJCAI/CVPR格式）
DOI：未提供
发表年份：未明确，从引用文献判断约为2023-2024年
来源：DiDA.pdf

综合评定：✅ 清白

详细发现

第一式：图片复用检测（一图多用）

扫描结果：论文共含Figure 1-10及多个表格。Figure 1、2、3、6、7为示意图/框架图，Figure 4、5、8、9、10为定性结果展示。
重点检查：Figure 4（MVTec-AD重建对比）、Figure 5（VisA定位对比）、Figure 8-10（附录定性结果）。
结论：未发现不同实验条件下的图片重复使用。各图展示不同数据集（MVTec-AD、VisA）上的不同样本，视觉背景、目标形状、异常类型均不相同。未发现旋转、翻转、裁剪复用痕迹。同一控制组未在不同图中重复出现。
说明：论文中图片主要为CNN特征图、重建对比图、框架示意图，非Western blot或凝胶电泳图，复用风险较低。

第二式：数据造假检测

表格审查：重点检查Table 1（MVTec-AD分类）、Table 3（MVTec-AD定位）、Table 12（VisA分类）、Table 13（VisA定位）。
数值分布：各指标（AUROC/AP/F1）末位数字分布较均匀，无明显集中于某一数字。
标准差分析：论文未报告标准差，仅提供均值结果，无法进行SD规律性检查。
数据完美度：Table 1中“Bottle”类别达99.7/100.0/100.0，但该类别在异常检测中通常性能较高，且其他类别（如Capsule 89.0/97.5/95.5）存在合理波动，未出现全部“教科书式完美”曲线。
数学关系：不同列数据（如Non-Diffusion vs Diffusion-based）差值不恒定，符合正常实验波动。
结论：数值数据未呈现人造规律性，符合真实实验波动范围。

第三式：图片拼接检测（PS痕迹）

检查对象：Figure 2（框架图）、Figure 3（SFF模块图）。
分析：这两张图均为清晰绘制的示意图，非实验原图，无拼接痕迹。论文中实验结果图（Figure 4,5,8-10）为网格排列的对比图，各子图边界清晰，无分辨率突变或背景纹理不一致。
结论：未发现伪造拼接痕迹。

第四式：统计学异常检测

p值报告：论文未报告具体p值，仅展示性能指标（AUROC等）并声称“surpasses the state-of-the-art”。
统计方法：异常检测任务常用AUROC/AP/F1，论文使用合理。
样本量一致性：未报告样本量，但使用公开数据集（MVTec-AD、VisA），样本量固定。
结论：无p-hacking迹象，统计描述符合领域惯例。

第五式：产出异常检测

时间线检查：
- 使用NVIDIA Tesla V100（2027年仍为可用设备）。
- 引用最新文献至2023年（如BMAD, CLIP-AD），投稿时间合理。
- 方法基于Stable Diffusion（2022年发布）和DDIM（2021年），无时间冲突。
方法重复性：方法描述详细，公式、网络结构（Figure 2,3）和训练细节（Table 11）均提供，具备可复现性。
结论：时间线合理，无量产式论文特征。

第六式：引用与方法学异常

方法一致性：正文中“Implementation Details”描述与表格（如Table 7,8,9,10）实验设置一致。
参考文献：所有引用文献均为真实存在的论文（已验证arXiv/会议名）。
试剂/设备：使用公开数据集和标准模型（ResNet50, Stable Diffusion），无虚假编号。
伦理审批：非医学/伦理敏感研究，无需伦理审批。
时间线冲突：无（当前日期2026年，论文内容无使用未来技术）。
结论：方法学描述自洽，引用真实有效。

综合分析

系统性与指向性：所有检查维度均未触发红旗信号。异常点为零，且各模块（方法、实验、图表）相互支持，无系统性矛盾。
数据合理性：定量数据在公开数据集上的表现符合当前SOTA水平，且改进幅度（如Table 1较DDPM/LDM提升显著）在方法创新性（SG网络、SFF模块）支撑下可信。
可验证性：论文提供详细网络结构（Figure 2,3）、训练超参数（Table 11）和代码链接（https://lewandofskee.github.io/projects/diad），便于独立复现。

耿同学辣评

这篇论文像是一个“三好学生”交的作业——方法写得很详细，实验做得很扎实，图表也干干净净。虽然扩散模型+异常检测这个方向现在很卷，但这篇论文没有玩“数据魔术”，老老实实做了充分的消融实验（Table 7-10）和跨数据集验证（MVTec-AD/VisA/3D/Medical）。唯一有点“凡尔赛”的是，作者在Table 1里把DDPM和LDM按在地上摩擦……但人家确实提出了新模块（SG和SFF），逻辑上讲得通。

建议后续行动

论文质量符合学术诚信标准，无需进一步调查。
建议关注作者后续研究，验证方法长期可复现性。
建议期刊/会议接收时要求作者提供代码仓库链接（已提供）。

⚠️ 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