🔍 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：未在文本中明确标注，根据引用文献时间推断为预印本或会议投稿（如 AAAI/CVPR 类别）
DOI：未提供
发表年份：推断为 2023 年末或 2024 年（文中引用了 2023 年的文献）
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 / 抄袭错误（表格数据完全一致）

位置：Table 9 (Ablation studies on the feature layers)
描述：在分析不同特征层组合（f1-f5）对结果影响的消融实验中，第 4 行（f2, f3, f4）和第 7 行（f4, f5）的数据完全一模一样。
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
- 分析：在深度学习特征提取中，浅层特征（如 f2，尺寸 64x64）主要包含纹理和边缘信息，而深层特征（如 f5，尺寸 16x16）主要包含语义信息。组合 f2, f3, f4 与组合 f4, f5 在数学上和特征表达上差异巨大，它们在所有 6 个评价指标（包括 cls 和 seg 的各项细分指标）上给出完全一致结果（精确到小数点后一位）的概率无限趋近于零。
严重程度：🔴 实锤（这无法用实验波动解释，大概率是 Excel 拖拽错误或直接复制粘贴造假）

发现 2：统计学报告缺失

位置：Table 1, Table 2, Table 3, Table 5, Table 6 等所有核心对比表格
描述：论文中所有的定量对比实验均未报告标准差或标准误。
证据：所有数据均为单一的均值结果（如 97.2/99.0）。在计算机视觉领域，虽然有时只报均值，但对于声称 SOTA 的论文，特别是异常检测这种对阈值敏感的任务，缺乏方差数据使得读者无法判断结果的稳定性。特别是考虑到 Table 9 中的疑似造假行为，这里的不报方差显得更为可疑。
严重程度：🟡 存疑（行业通病，但配合发现1食用味道更佳）

发现 3：代码可用性存疑（作者身份与链接不匹配）

位置：Abstract 末尾
描述：论文声称 "Code will be available at https://lewandofskee.github.io/projects/diad."
证据：
1. 链接中的用户名 lewandofskee 与论文作者列表（Haoyang He, Jiangning Zhang 等）完全不匹配。
2. 通常作者会使用自己的 GitHub ID（如 haoyanghe）。
3. 如果这是合作者的匿名账号或借用的账号，在学术发表中通常需要说明，否则这像是一个占位符链接或是随意复制的模板文本。
严重程度：🟡 存疑（可能是实验室公用账号或借用账号，但在打假视角下属于不规范行为）

发现 4：方法学描述矛盾 / 笔误

位置：Method -> Semantic-Guided Network
描述：公式 (7) 的表达极其混乱。
证据：公式 (7) 中 ESD(zt) 和 ESD(z+C(x0)) 的括号嵌套和逻辑关系看起来非常不合理。特别是 MSG(ESD(z+C(x0))) 这一项，根据前文描述，MSG 应该是处理 Middle block 的输出，而 ESD 是 Encoder blocks，这里把 ESD 的输出直接放进 MSG 里在架构图（Fig 2）中并不完全对应。
严重程度：🟡 存疑（可能是书写笔误，但显得不够严谨）

耿同学辣评

这篇论文提出的 DiAD 框架画了个挺漂亮的大饼，又是 SG 网络又是 SFF 模块的。可惜啊，Table 9 的消融实验直接把底裤露了——你是想说 f2,f3,f4 的特征和 f4,f5 的特征长着同一张脸吗？ 连小数点后一位都完全一样，这随机数生成器怕不是坏了，或者是复制粘贴的时候手滑了？搞扩散模型连方差都不报，消融实验还玩“大家来找茬”，这篇论文的代码链接 lewandofskee 看着也不像作者的 ID，建议先学会数数再来做科研吧！

建议后续行动

重点关注：检查 Table 9 原始实验日志，确认是否为笔误。
联系作者：要求提供带方差的多 run 结果，特别是 Table 9 的复现结果。
在 PubPeer 上提出质疑：针对 Table 9 的雷同数据发帖询问。
验证代码：检查其公开的代码库是否能复现论文中的具体数值。

⚠️ 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