🔍 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：预印本（疑似会议论文，如AAAI/IJCAI/CVPR等，文中提及投稿CVPR 2023 Workshop）
• 发表年份：2023年左右（基于参考文献时间）
• 论文来源：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）

• 描述：由于文本中未提供可分析的原始图片（如像素级对比），无法检测是否存在图片旋转、翻转、裁剪复用或背景噪点一致等异常。但从figure caption描述（如Fig.1, Fig.2, Fig.4, Fig.5, Fig.6, Fig.7, Fig.8, Fig.9, Fig.10）来看，各图功能明确（架构示意、定性结果、消融可视化），未发现明显逻辑冲突。
• 严重程度：🟡（受限于文本形式，无法深入像素级分析，暂无红旗信号）

第二式：数据造假检测（随机数生成器都不如）

• 描述：
  1. 表格数据末位分布：Table 1, 3, 7, 8, 9, 10, 11, 12, 13 中数据末位数字（0-9）分布较为自然，未出现集中趋势（如全是0或5）。例如Table 1中Bottle行Ours列为“99.7/96.5/91.8”，末位7,5,8；Cable行为“94.8/98.8/95.2”，末位8,8,2；无明显规律。
  2. 标准差/标准误：论文未报告标准差或标准误，仅报告均值指标（AUROC/AP/F1），因此无法检查SD是否过于整齐。
  3. 数据“太完美”：模型在MVTec-AD和VisA上取得SOTA性能，但提升幅度合理（如相比UniAD提升4.9-9.2个点），未出现“吊打式”不合理提升。消融实验（Table 7）中模块叠加性能逐步提升，符合预期。
  4. 数学自洽：各表格内数据计算合理，如Table 9中特征层组合性能变化与层维度对应（f2,f3,f4效果最好），无矛盾。
• 严重程度：✅（未发现红旗信号）

第三式：图片拼接检测（PS痕迹）

• 描述：文本中未提供Western blot、凝胶电泳等需拼接的图片。论文图片均为框架图、定性结果图，这类图通常用绘图工具生成，不存在泳道拼接问题。
• 严重程度：✅（不适用）

第四式：统计学异常检测

• 描述：
  1. p值报告：论文未报告p值，只进行性能指标（AUROC等）对比，无法检测p-hacking。
  2. 样本量与效应量：使用公开数据集（MVTec-AD, VisA等），样本量固定，且多类别异常检测任务中SOTA性能逐年提升，取得高AUROC合理。
  3. 统计方法：使用AUROC/AP/F1/PRO等标准评估指标，符合领域规范。
• 严重程度：✅（未发现红旗信号）

第五式：产出异常检测（量产型学术）

• 描述：
  1. 时间线：论文发表于2023年左右，方法基于2022年已流行的Latent Diffusion Model（LDM），技术路线合理。
  2. 方法描述一致性：方法部分描述详细，无copy-paste痕迹。
  3. 产出量：单篇论文，未发现课题组短期内大量相似产出。
• 严重程度：✅（未发现红旗信号）

第六式：引用与方法学异常

• 描述：
  1. 方法内部矛盾：未发现明显矛盾。例如Implementation Details中batch size=12, epochs=1000, 单卡V100 32GB，训练复杂模型（SD+SG网络）耗时长但可行；特征提取器使用ResNet50，与文中描述一致。
  2. 参考文献支持：引用的工作（如DDPM, LDM, UniAD, DRAEM等）均为相关领域代表作，支持所声称的问题与方法。
  3. 试剂/设备存在性：使用标准设备（NVIDIA Tesla V100）和公开数据集，无虚构型号。
  4. 伦理审批：为计算机视觉工业数据集实验，无需医学伦理审批。
  5. 时间线冲突：当前日期为2026-06-02，论文发表在2023年左右，使用的数据集、模型（Stable Diffusion）、硬件均早于2023年，无时间线冲突。
• 严重程度：✅（未发现红旗信号）

耿同学辣评

这篇论文就像一个家境优渥、勤奋刻苦的“别人家孩子”——用了最时髦的扩散模型，在标准数据集上考出了漂亮的成绩单，步骤清晰、过程合规，挑不出什么大毛病。虽然咱没法对着像素“用放大镜找茬”，但从文本逻辑和数据痕迹看，这是一份干干净净、诚意满满的答卷。

建议后续行动

• （本次检测未发现需举报的异常，无需联系作者或编辑部）
• 可关注作者是否公开代码及原始实验日志，以进一步验证复现性（论文中承诺公开代码）

⚠️ 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。