🔍 耿同学打假报告

论文信息

标题：基于多尺度特征融合和通道变换的图像隐写分析研究
作者：郭文昊（指导教师：武相军教授）
机构：河南大学
论文来源：104753220942-郭文昊-基于多尺度特征融合和通道变换的图像隐写分析研究.pdf
发表年份：2025年6月（答辩/毕业论文）

综合评定：🟡 存疑

详细发现

发现 1：方法学与基础概念矛盾（常规深度学习常识错误）

位置：第4章，4.2.1 预处理部分（第40-41页）
描述：作者在描述改进的 SE（压缩激励）注意力机制时写道：“本节模型并没有采用在原模块中所使用的ReLU激活函数，目的是保持必要的非线性特性以实现特征重标定。”
证据：在神经网络中，移除激活函数（如 ReLU）而只使用线性变换（如全连接层 $$W_1, W_2$$ 的线性矩阵乘法），会导致整个多层操作退化为单层线性变换，这不仅不能“保持”非线性，反而会彻底“消灭”非线性。作者对深度学习最基础的“非线性激活机制”存在根本性的概念误解，或者是在进行文本降重/润色时产生了严重的语义破坏。这在计算机科学与技术的工学硕士论文中属于极度不该出现的常识性谬误。
严重程度：🟠

发现 2：数据呈现“教科书式完美”（过度理想化）

位置：第3章表3-7，第4章表4-7、表4-8
描述：消融实验中关于超参数（学习率、批大小）的检测错误率数据呈现出极其完美的“U型”或“倒U型”曲线，没有任何实验噪声。
证据：
- 表3-7（学习率）：0.0001 (15.45%) -> 0.001 (13.32%) -> 0.01 (12.00%) -> 0.1 (13.85%)。
- 表4-7（学习率）：0.0001 (14.62%) -> 0.001 (13.85%) -> 0.01 (10.35%) -> 0.1 (11.24%)。
- 在真实的深度学习隐写分析实验中，受限于随机种子、数据打乱顺序等，超参数搜索通常会有一定的随机波动（例如0.01最好，0.001可能突然有个异常的低值）。这些数据过于“工整”，高度符合人为捏造或多次“挑选”最佳结果的特征。
严重程度：🟡

发现 3：结果对比的“系统性碾压”与时间线小Bug

位置：第3章表3-3，第4章表4-1
描述：本文提出的模型在所有的隐写算法（WOW, S-UNIWARD, HILL）、所有的嵌入率（0.2bpp, 0.4bpp）下，均无一例外地全面超越了当前主流模型（SRNet, GBRASNet, LWENet等）。
证据：在真实的学术研究中，一个轻量级模型极难在“精度”和“参数量”上同时全面碾压同期的SOTA（State-of-the-Art）模型。尽管作者在第4章（表4-3）诚实地指出了在大数据集下略逊于LWENet（这是一个加分项，说明全篇捏造的概率降低），但总体呈现的“六边形战士”完美数据仍带有硕士论文为了迎合毕业要求而“逆向工程”调参的痕迹。
补充时间线检测：当前日期为2026年6月。本论文撰写于2025年6月，文中引用了多篇2024年甚至2025年的文献（如参考文献[8][55][62]），时间逻辑自洽，无“穿越式”造假。作者科研成果（两篇会议/一篇专利）也与本论文内容对应。
严重程度：🟡

发现 4：图表复用与造假检测受限声明

位置：全文图片
描述：本论文为纯计算机科学/深度学习方向的文本提取稿，未提供足够分辨率的原始论文图片文件（如 Figure 3-6 的柱状图、Figure 3-7 的曲线图），无法进行像素级的“图片复用”和“PS拼接”检测。
证据：但从文本数据描述来看，正文描述的数据与图表展示的趋势逻辑基本自洽。
严重程度：（无法判定）

耿同学辣评

这篇硕士论文可以说是典型的“缝合怪”网络架构创新——把空洞卷积、深度可分离卷积、残差模块和注意力机制像堆积木一样拼在一起。虽然实验部分“刚好”全面碾压一众前辈，逻辑上还算闭环，但作者在写第41页那段关于ReLU和非线性的胡言乱语时，是不是把机器学习的知识全还给本科老师了？移除ReLU还大言不惭说是“保持非线性”，这是用ChatGPT写论文却没有人工审稿的典型翻车现场啊！

建议后续行动

提醒作者修改论文第4.2.1节中关于“非线性激活函数”的严重基础性表述错误。
无需向期刊编辑部举报（属于未发表的硕士学位论文，建议反馈给导师或学校学位委员会）。
（可选）建议盲审专家在答辩时针对“深度学习基础概念”对作者进行基础知识提问。

⚠️ 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。

基于多尺度特征融合和通道变换的图像隐写分析研究