🔍 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, 等 (Zhejiang University, Youtu Lab Tencent)
期刊：未在文本中明确标明，推测为顶级会议（AAAI/IJCAI/CVPR/ICCV等）
发表年份：基于参考文献（最新至2023年底）推测为 2024 年
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 —— 消融实验表格出现"幽灵数据"

位置：Table 9 (Ablation studies on the feature layers)
描述：在关于特征层选择的消融实验中，存在两组完全一模一样的实验数据。
证据：
在 Table 9 中，第 4 行（包含 3 个 ✓ 的组合）的数据为：
97.1 99.0 96.8 96.4 49.4 53.1
而表格的最后一行（也是包含 3 个 ✓ 的组合），其数据完全一字不差：
97.1 99.0 96.8 96.4 49.4 53.1
真实的实验数据由于随机种子、特征层组合的不同，在 6 个指标上精确到小数点后一位完全相同的概率极低。这通常是作者在进行排版或"优化"数据时，不小心复制粘贴（Ctrl+C, Ctrl+V）留下的典型痕迹。
严重程度：🔴 (实锤级别的数据异常)

发现 2：方法学异常 —— 公式与文字描述存在逻辑矛盾

位置：Method -> Anomaly localization and detection (公式 9)
描述：关于特征提取和余弦相似度的计算，文字描述与数学公式存在严重冲突。
证据：
文字部分明确写道："We use the same ImageNet pre-trained feature extractor $\Psi$ to extract features from both the input image $$x_0$$ and the reconstructed image $\hat{x}_0$ ..."
这说明网络是分别处理两张图片。然而，紧接着的公式 (9) 却写成了：
$M_n(x_0, \hat{x}_0) = 1 - \frac{(\Psi_n(x_0, \hat{x}_0))^T \cdot \Psi_n(x_0, \hat{x}_0)}{...}$
公式中竟然把 $$x_0$$ 和 $\hat{x}_0$ 同时作为参数传给了 $\Psi$ ，这在数学上意味着网络接收双输入，与前面的"分别提取"相矛盾。这属于方法学描述的硬伤。
严重程度：🟠 (核心公式笔误，反映出写作过程的不严谨)

发现 3：表格排版异常 —— 特征层选择难以自圆其说

位置：Table 9 (Ablation studies on the feature layers)
描述：表格的勾选列（Checkbox）排版混乱，无法对应具体的特征层。
证据：
Table 9 的表头是 f1 f2 f3 f4 f5。但在表格内容中，存在行首空缺或对齐不清的情况。结合发现1中的数据重复问题，作者可能在修改表格内容试图调整故事逻辑时，搞乱了对应关系。例如，行 2 和行 3 都有 4 个勾，但行 2 是 96.7，行 3 是 93.4，差异巨大，却无法清晰分辨对应的是哪 4 层（{1,2,3,4} 还是 {2,3,4,5}）。这种模糊处理在消融实验中是不合格的。
严重程度：🟡 (排版问题，但加剧了数据的可疑程度)

发现 4：统计学异常 —— "过于稳定"的采样步数

位置：Table 10 (Ablation studies on DDIM sampler steps)
描述：不同的 DDIM 采样步数下，分割指标 (seg) 表现出了令人难以置信的稳定性。
证据：
在步数为 10, 20, 50, 100, 200 时，seg 列的值分别为：96.8, 96.8, 96.8, 96.7, 96.8。
虽然扩散模型在步数足够多时确实会收敛，但在 20~200 步这么大的跨度内，结果在 0.1 的精度上几乎不变（甚至 50 步和 200 步完全一样），这在统计上非常少见，通常意味着模型根本没有利用这些额外的步数，或者数据经过了人为的"取整/修饰"。
严重程度：🟡 (统计学上的"过于完美")

耿同学辣评

这篇论文的消融实验做得那叫一个"行云流水"，特别是 Table 9，Ctrl+C 和 Ctrl+V 用得比扩散模型还溜，连改个数字的敷衍功夫都省了。公式也是绝了，左手写着"分别提取"，右手公式就把两张图硬塞给同一个网络，这是练了左右互搏术吗？虽然提出的框架看着 Fancy，但这表格里忽高忽低、忽隐忽现的"幽灵数据"，属实是把审稿人和读者当成了瞎子。

建议后续行动

联系作者要求提供原始数据：特别是 Table 9 消融实验的原始 log 文件，以澄清重复数据问题。
在 PubPeer 上提出质疑：针对 Table 9 的重复行和公式 (9) 的逻辑错误发起提问。
向期刊编辑部举报 (需等待作者回复或进一步确认造假意图)
向作者所在机构学术委员会举报 (目前证据倾向于严重笔误/粗心，暂不建议升级到机构层面)

⚠️ 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