🔍 耿同学打假报告

论文信息

• 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
• 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
• 日期：二〇二五年六月（硕士学位论文）
• ** DOI **：无（硕士学位论文）

综合评定：🟡 存疑（极度粗糙的格式套用与排版灾难）

详细发现

发现 1：图表编号严重撞车与逻辑错乱（Ctrl+C/V 忘了改？）

• 位置：第4章，4.3.3节（第51页）
• 描述：在4.3.3节的第3个小点（通道变换操作消融实验）中，正文写道“实验结果如图4-10所示……”，但紧接在该段下方的图片标题却赫然写着“图4-6 通道变换操作对网络性能的影响”。更荒谬的是，“图4-6”早在4.3.2节（第46页）就已经出现过，标题是“图4-6 五种图像隐写分析模型在S-UNIWARD隐写术（0.4bpp）下验证精度曲线”。
• 证据：同一篇论文、同一章节内，出现了两个“图4-6”，且文本引用的是“图4-10”，说明作者大概率是在不同的实验版本之间进行复制粘贴，连图号和Caption都懒得修改就直接拼接成文。
• 严重程度：🟠

发现 2：学术术语混淆，数学逻辑存在漏洞

• 位置：第4章，4.3.3节（第49页）
• 描述：作者在分析表4-5的数据时写道：“在S-UNIWARD（0.4bpp）隐写算法条件下，SE+SRM组合方案展现出明显的优势：其检测精度较单独使用SRM提升了3.75个百分点，较单独使用SE提升了0.9个百分点。”
• 证据：查看表4-5，SRM+SE的“检测错误率”为10.35%，SRM为14.10%，SE为11.25%。这里明显是错误率下降了3.75个百分点，而作者直接将其等价于“检测精度提升了3.75个百分点”。错误率的差值和准确率的差值在数学上绝对不是直接等价的（例如错误率从20%降到10%，精度是提升10%还是12.5%？）。这种低级概念混淆说明作者对基础统计学概念不清晰，或者是为了让数据“好看”而强行凑文字。
• 严重程度：🟡

发现 3：高度模板化的“车轱辘话”与AI生成痕迹

• 位置：全文实验分析部分（特别是3.3.2节与4.3.2节的结论分析）
• 描述：作者在描述模型表现时，使用了极度套路化、甚至缺乏具体逻辑支撑的万能句式。例如：“其原因可能是：当通道扩展倍数为2或者3时模型的信息表达能力较弱……”（4.3.3节）；“在70轮左右达到快速收敛，通过扩展-压缩操作，模型能够更好的捕捉到隐写信息，使模型更有效地捕捉隐写信息嵌入后的细微扰动”（语病且重复）。
• 证据：第三章（图3-7）和第四章（图4-6/4-10）在描述验证精度曲线时，都极度巧合地使用了“在70轮（或72轮）左右实现快速收敛/反超”的表述。在深度学习中，不同架构、不同损失函数的模型在相同的Epoch出现拐点概率极低，这种“万金油”式的强行解释，高度疑似AI辅助生成或生搬硬套模板。
• 严重程度：🟡

发现 4：图表与数据缺乏基础统计严谨性（“单打独斗”的深度学习）

• 位置：表3-3、表3-4、表4-1、表4-3等所有性能对比表
• 描述：作为一篇2025年的深度学习图像隐写分析硕士论文，所有的核心结果（如错误率 10.23%、平均准确率 81.90% 等）均以单一绝对数值的形式呈现，全篇没有任何一处提及标准差、置信区间或多种子随机实验的均值。
• 证据：深度学习模型的训练结果受权重初始化、数据清洗等随机因素影响极大。在当前的学术界标准中，不提供至少3-5次独立实验的方差/标准差，直接精确到小数点后两位去宣称“提升了0.89个百分点”，在统计学上是毫无意义的。这属于典型的“挑最好的一次结果来汇报”。
• 严重程度：🟠

发现 5：对时间线和引用文献的“未卜先知”

• 位置：参考文献列表与致谢
• 描述：论文定稿于2025年6月。参考文献[23]（徐石穿等，《基于生成对抗网络的抗裁剪图像隐写方法》）和[55]（刘佳梅等，《基于增强残差特征的孪生网络图像隐写分析》）均标注为2025年第3期和2025年第2期期刊文献。参考文献[62]（王嘉昊等）甚至标注了“[2025-03-07]”的网络首发日期。
• 证据：从时间逻辑上看，作者在2025年6月毕业答辩前，引用了2025年3月刚刚首发的文献，时间线是吻合的。但结合前面极其粗糙的排版错误，可以看出这篇论文大概率是赶工出来的“急就章”。
• 严重程度：🟡（时间线合理，但侧面印证了赶工的事实）

耿同学辣评

咱就是说，现在的同学写论文，是不是把上一章的图直接复制下来，连编号都懒得改了？文本里喊着“图4-10”，底下的图非得叫“图4-6”，怎么着，4-10是加密了需要用4-6来解密是吧？更离谱的是，全篇一个标准差都不给，精确到小数点后两位去拼那“0.0几”的提升率，真当随机数生成器不会发脾气啊？深度学习不是“深度的迷信”，而是“学习的科学”，少搞点AI写手生成的车轱辘话，多跑两次独立种子取个平均数吧！

建议后续行动

• 要求原作者提供所有对比实验（表3-3、表4-1等）的多次独立实验原始日志，证明那些0.0x的提升不是“挑樱桃”谬误。
• 要求作者重新梳理并更正全文的图表编号及引用错误。
• 建议导师在盲审前好好把关学生的基础科学术语（如错误率与精度的转换关系）。

⚠️ 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。