🔍 耿同学打假报告

论文信息

论文来源：Bian_Feature_Information_Driven_Position_Gaussian_Distribution_Estimation_for_Tiny_Object_CVPR_2025_paper.pdf
标题：Feature Information Driven Position Gaussian Distribution Estimation for Tiny Object Detection
作者：Jinghao Bian, Mingtao Feng, Weisheng Dong, Fangfang Wu, Jianqiao Luo, Yaonan Wang, Guangming Shi
机构：西安电子科技大学、湖南大学等
期刊/会议：CVPR 2025 (IEEE/CVF Conference on Computer Vision and Pattern Recognition)
发表年份：2025

综合评定：✅ 清白（文本提取存在轻微格式异常，但学术内容未发现造假痕迹）

详细发现

发现 1：数学计算与数据逻辑严密自洽（表现良好）

位置：Table 1, Table 2, Table 3
描述：针对作者声称的性能提升（Baseline + Ours），我对其增量（Gain）进行了反向加和验证。
证据：
- Table 1 (VisDrone)：Faster R-CNN baseline AP 为 23.9，声称 Gain 为 +2.9，最终结果为 26.8（23.9 + 2.9 = 26.8）。APvt baseline 为 0.1，Gain 为 +2.5，最终为 2.6。计算完全吻合。
- Table 2 (AI-TOD) 与 Table 3 (AI-TODv2) 中的所有加减法（如 11.7+8.9=20.6，14.9+8.8=23.7）均数学自洽。
- 耿同学点评：很多水友造假连小学生加减法都算不对，前两列加起来不等于第三列。这篇论文的表格数据底子很干净，经得起计算器的敲打。
严重程度：✅ 正常

发现 2：时间线与设备逻辑完全合理（表现良好）

位置：Section 4.1 (Implementation Details) & References
描述：以当前日期（2026年6月）回溯，论文声称发表于 CVPR 2025。文中引用了多篇 CVPR 2024 的文献（如文献[4] PKS R-CNN，文献[15] Salience DETR），以及 2024 年挂在 arXiv 上的 SR-TOD（文献[6]，arXiv:2405.11276）。实验使用单张 NVIDIA RTX 4090 GPU。
证据：CVPR 2025 的投稿和评审发生在 2024 年下半年。引用 2024 年的顶会论文和 arXiv 预印本完全符合时间逻辑。RTX 4090 作为 2022 年底发布的显卡，在 2024-2025 年的实验中属于标准配置，不存在“穿越使用未来设备”的问题。
严重程度：✅ 正常

发现 3：消融实验符合客观规律（表现良好）

位置：Table 4, Table 5, Table 6, Table 7
描述：在消融实验中，模块的组合（PFIM 和 PGDP）带来了递增的收益（26.3 -> 28.2 -> 27.6 -> 28.3）。不同的超参数或结构替换（如 binary mask, self-attention 等）产生的性能波动（大多在 0.2~0.5 之间）非常符合深度学习实验的真实情况。
证据：造假论文往往为了凸显某个模块的“无敌”，一旦替换模块性能就“断崖式下跌”（比如掉点 5% 甚至 10%）。而这篇论文的对比实验波动平稳，且有些指标采用不同方法互有胜负（如 Table 6 中 APvt 指标， $\otimes(1+\sigma)$ 达到了 3.7，比 Ours 的 3.5 还高）。这种敢于 report 自己非最优结果的坦诚，是真实实验的标志。
严重程度：✅ 正常

发现 4：引用标签格式异常（文本提取/排版问题）

位置：Section 1. Introduction & Related Works
描述：文本中出现了多处残缺的引用标记。
证据：例如 "generic object detection [27,,]"，"hierarchical feature representations [12,,,,,,]"，"attention mechanisms [23,,,,]"。这通常是由于多作者共同编写 LaTeX 文件时，使用了 \cite{a,b,c}，但在 PDF 转文本（或解析）过程中，部分编译信息丢失导致的。
严重程度：🟡 存疑（非学术不端，纯属排版解析瑕疵，在实锤 CVPR 最终版中不会存在此问题）

耿同学辣评

这篇 CVPR 2025 的论文不仅数学是体育老师教的及格了，而且表格加减法严丝合缝！对于 CV 领域的论文，咱不能总盯着 Western Blot 找图，人家这满是高斯分布和信息熵的硬核公式，加上极其接地气的涨点曲线，说明做实验的兄弟姐妹没少掉头发。虽然不知道原版图片里有没有 PS 痕迹（毕竟纯文本看不见图），但从这规规矩矩的消融实验来看，老耿我宣布：这篇论文的底裤是干净的，经得起查！

建议后续行动

无需联系作者提供原始数据（基于文本分析未发现异常）
无需在 PubPeer 上提出质疑
若需 100% 确认，需获取原版 PDF 进行像素级图片（特征图、点云图）比对（当前纯文本条件受限）

⚠️ 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。
（注：由于本次检测仅提供文本，无法执行针对图片伪造、Western Blot 重复的第一式和第三式像素级检测，该部分结论受限于输入模态。）

Feature Information Driven Position Gaussian Distribution Estimation for Tiny Object Detection