🔍 耿同学打假报告

论文信息

• 标题：MonoPeakMatch: Projection-Consistent Frontend Observation Enhancement for Monocular 3D Object Detection
• 作者：Anonymous Authors (匿名作者，疑为双盲评审阶段的稿件)
• 期刊：未知（处于双盲审稿阶段）
• DOI：未提供
• 发表年份：推测为 2025 或 2026 年（基于参考文献中包含 2025 年发表/预印的文献）
• 论文来源：MonoPeakmatch.pdf

综合评定：🟡 存疑（文本维度高度清白，但受限于数据形式无法进行图像维度验证）

详细发现

⚠️ 发现 1：图片复用与拼接检测（受限于数据形式）

• 位置：Figure 1 / Figure 2 / Figure 3
• 描述：因本次检测仅接收到纯文本内容，未包含真实的图像像素数据，无法对该论文的模型架构图、特征图可视化（Figure 3）等进行像素级比对和噪点分析。
• 证据：计算机视觉领域的论文造假重灾区往往在于“精心挑选的可视化结果”或“手工伪造的检测框”。尽管原文在 4.4 节及 Figure 3 的说明文字中描述了可视化对比的设定（如红绿框代表不同解码结果等），但由于缺乏图像文件实体，本着实事求是的原则，耿同学不能闭着眼睛说人家造假。
• 严重程度：无法判定
• 复核状态：⚠️ 依据不足

发现 2：数据一致性检验（无随机数生成器痕迹）

• 位置：Table 1, Table 2, Table 3 (Page 10-12)
• 描述：对于论文中报告的 AP3D / APBEV 指标进行了交叉比对。文本中声称的数据提升（例如 Car Moderate 在 IoU 0.7 下从 13.97 提升至 16.40）与 Table 1 中的数值完全吻合。
• 证据：在 Table 3（消融实验）中，Baseline 的成绩（42.47/47.86 等）与主表（Table 1）严格一致，没有出现“主表拉满、消融表凑数”的低级数据对不上 bug。各项数据的末位数字分布自然（如 47.86, 51.80, 6.83, 9.96），不符合随机生成器或手工编造时常见的整数化、规律化特征。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 3：统计学方法与指标评估合理性

• 位置：Experiments (Section 4)
• 描述：该论文使用的是计算机视觉目标检测的标准评测协议（KITTI 数据集，AP3D/APBEV，R40 协议），未涉及传统的 p 值、t 检验或 ANOVA。
• 证据：原文第 4.1 节明确交代了数据集和评测协议。作者不仅报告了严格的 IoU 阈值（0.7/0.5），还在 Table 1/2 中诚实报告了低 IoU 阈值（0.5/0.25）下的诊断结果。更有良心的是，作者在正文（4.3）和结论中明确承认了“strict 3D localization gains are modest（在严格定位指标下的提升并不大）”，甚至承认行人/骑行者的提升“less stable（不够稳定）”。这种主动坦承方法局限性的态度，是严谨学术作风的体现，绝不是心虚的造假者惯常的吹嘘口吻。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 4：时间线与引用逻辑排查

• 位置：References / Method (Section 3.1)
• 描述：检测了算法架构的时间逻辑。论文使用了基于 MonOri (Yao et al., 2025) 的后端，引用了 CVPR 2024/2025 的最新工作。时间逻辑完全自洽。
• 证据：没有出现时间倒错的引用现象。方法学描述中提到的“YOLO-style 前端”（4.2节）、“投影3D中心”（3.2节）等概念均有对应的文献支撑和数学公式自洽推导（式1至式16）。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

耿同学辣评

这篇 CVPR/ICCV 风格的视觉会议稿，主打一个“坦诚相见”。做深度学习的都知道，在 KITTI 榜上刷一点点分有多难，作者不仅没把自己的消融实验藏藏掖掖，甚至还在正文里直呼“我们严格指标提升不大”、“偶尔还不稳定”。这种主打陪伴型的真诚学者，哪怕分数没拿最高，也能把 reviewer 哄得服服帖帖！从文本逻辑、数学公式和数据自洽性来看，相当干净，没沾染半点学术界的 PS 邪气。目前唯一的遗憾是没拿到原图像素，无法给视觉部分盖最终的绝对钢印，但在文字层面无可挑剔。

建议后续行动

• 无需联系作者提供原始文本/表格数据（文本与表格高度自洽）
• 若获得图片附件，可进一步用肉眼或 AI 检测其点云/特征图可视化是否存在复制粘贴痕迹
• 保持关注，等待双盲出结果看最终归属哪个顶会

⚠️ 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。