🔍 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：浙江大学，腾讯优图实验室
期刊/会议：疑似 AAAI/CVPR 级别会议论文（未见明确期刊名，从排版和参考文献年份推断为2023-2024年左右提交）
发表年份：2023/2024
论文来源：DiDA.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据伪造/抄袭复用嫌疑（一票否决级异常）

位置：Table 9 (Ablation studies on the feature layers)
描述：在消融实验的表格中，出现了两组完全不同特征层组合（分别打勾），但产出了完全一模一样的 7 个指标数据。
证据：
查看 Table 9 倒数第三行（3个勾，推测为 f1, f2, f3）和最后一行（2个勾，推测为 f4, f5）。
这两行的数据竟然完全一致：
97.1 / 99.0 / 96.8 / 96.4 / 49.4 / 53.1
在深度学习消融实验中，更换提取特征的网络层（尤其是从浅层换到深层），连小数点后一位都不变的概率在统计学上几乎为 0。这极其像是复制粘贴错误或者编造数据时懒得修改。
严重程度：🔴（核心实验数据存在严重逻辑冲突，直接威胁论文结论的可信度）

发现 2：排版错漏与粗心大意的数据异常

位置：Table 8 / Table 9
描述：多处数据格式极度不统一，甚至丢失小数点，反映出作者在整理数据时的敷衍态度。
证据：
1. Table 8 (Feature extractors)：ResNet-50 对应的 APcls 数据竟然写着 99，而表格表头要求的是百分比且同列其他数据均有小数（如 97.2, 98.1）。显然是在填表时漏掉了 .0 或者 99.xx 的后续数字。
2. Table 9：倒数第二行的 AUROCcls 写成了 94（应为 94.x），再次出现丢失小数点的情况。
严重程度：🟡（单独看可能是笔误，但与发现1结合，构成了“数据整理极度不严谨”的画像）

发现 3：资源与训练时间线的合理性存疑

位置：Implementation Details & Table 11
描述：作者声称在单张 NVIDIA Tesla V100 32GB 上训练模型 1000 个 Epochs。
证据：
文本明确写道：“we train for 1000 epochs on a single NVIDIA Tesla V100 32GB with a batch size of 12.
结合 Table 11 显示，这不仅仅是一个小网络，而是包含了 859M 参数的 SD Denoising Network 和 471M 参数的 SG Network。
MVTec-AD 训练集有 3629 张图片，Batch Size 为 12，那么一个 Epoch 大约 302 步。1000 个 Epoch 就是 302,000 步。
对于基于 Stable Diffusion 架构（包含 Cross-attention 等）的模型，在单张 V100 上跑 30 万步，所需时间极长（通常需要数周甚至上个月的时间）。如果再加上论文中提到的大量消融实验（至少包括 Table 7, 8, 9, 10 的数十个对照组），这在常规实验室的单卡资源下时间线极其紧凑。
严重程度：🟠（虽然硬件上可行，但结合密集的消融实验，训练总时间存在“量产型”刷榜的嫌疑）

发现 4：承诺开源的“画大饼”行为

位置：Abstract
描述：论文声明代码将会公开。
证据：
"Code will be available at https://lewandofskee.github.io/projects/diad."
截至 2026 年 6 月，此类顶会论文通常在发表时或发表后不久即开源。如果链接仍为 404，则属于典型的“占坑不拉屎”学术画大饼行为（当然，AI 无法实时访问，仅作存疑标记）。
严重程度：🟡

发现 5：图片声明与文本的自相矛盾

位置：Introduction & Figure 2
描述：框架图的说明中存在笔误。
证据：
在 Figure 2 的图注中写道：“Add Figure 2: Framework of the proposed DiAD...”。这种“Add Figure 2”的格式残留通常是使用了 LaTex 模板或者从其他文档复制粘贴时忘记修改标签的典型特征，虽然不涉及数据造假，但反映出稿件打磨粗糙。
严重程度：🟡

耿同学辣评

老铁们，今天咱们来看一篇把扩散模型用到工业缺陷检测上的论文。总体来看，文章讲的故事挺丰满，方法也符合逻辑，但是！咱们看论文得拿放大镜看细节。

在 Table 9 里，作者可能是在 Excel 里 Ctrl+C/V 按嗨了，两组完全不同的特征层消融实验，最后跑出来的 7 个指标竟然连小数点后一位都分毫不差！这随机数生成器怕不是卡壳了吧？再配合上全篇到处漏掉小数点的 99 和 94，这种“差不多就行了”的数据整理态度，很难让人相信前面的 SOTA 数据是经过严谨多次实验得出的。搞科研不是炒菜，盐多盐少尝不出来，但这数据复制粘贴的痕迹，可是一吃一个不吱声啊！

建议后续行动

联系作者要求提供原始数据：特别是要求提供 Table 9 对应的两次独立实验的原始 log 文件，以证明确实是笔误而非伪造。
在 PubPeer 上提出质疑：重点贴出 Table 9 的数据重合截图。
检查开源代码库：确认截至2026年是否真正开源，若未开源，需对其可重复性打上大大的问号。

⚠️ 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