🔍 耿同学打假报告

论文信息

标题：ShiftMorph: A Fast and Robust Convolutional Neural Network for 3D Deformable Medical Image Registration
作者：Anonymous Authors（匿名，处于双盲评审阶段）
期刊/会议：ACM MM 2024 (投稿/预印本)
DOI：10.1145/nnnnnnn.nnnnnnn (暂未分配正式DOI)
发表年份：2024
论文来源：541_ShiftMorph_A_Fast_And_Robu.pdf

综合评定：✅ 清白

详细发现

发现 1：数据一致性极高（正面信号）

位置：Table 1 与 Table 4
描述：在学术论文造假中，经常出现作者因为东拼西凑，导致主表和消融实验表里的数据对不上。但在这篇文章中，Table 4 消融实验里 ShiftMorph 基线（带有 Self-consistency，即 $\lambda=0.01$ ）的 Dice (0.8116)、HD95 (2.1124) 和 Folds (0.7786%) 与 Table 1 主实验中 ShiftMorph 的数据完全一致；ShiftMorph×3 的数据（0.8266 / 1.9804 / 0.5052 vs 0.8266 / 1.9771 / 0.4736）也高度吻合。
证据：数据严丝合缝，说明实验结果是真实跑出来的，而不是用随机数生成器分别伪造主表和附表。
严重程度：🟢 (无异常)
复核状态：✅ 成立

发现 2：数学推导极其严谨（正面信号）

位置：Section 3.7, Eq (8) 平滑正则化公式
描述：许多水文或造假论文在套用公式时往往生搬硬套。本文在解释扩散能量时，写出了惩罚项 $\|\nabla_x \phi - 1\|_2^2$ 。由于变形场 $\phi = id + u$ （恒等映射加位移场），对 $\phi$ 求导实际上是 $1 + \nabla u$ 。作者写成 $\nabla_x \phi - 1$ ，这在数学上恰好等价于求解位移 $$u$$ 的梯度 $\nabla_x u$ 。
证据：这种底层数学逻辑的自洽，说明作者非常清楚自己所做的推导，不是半路出家的“水货”或者纯靠 AI 生成的无脑搬运。
严重程度：🟢 (无异常)
复核状态：✅ 成立

发现 3：诚实的模型描述（正面信号）

位置：Section 3.1 Shifted Embedding
描述：作者在推销自己的 "lossless downsampling"（无损下采样）模块时，坦诚承认了这个操作实际上是 "pseudo-downsampling"（伪下采样），它把空间维度嫁接到了 batch size 上，并直言不讳地指出 "The complexity of network computation remains unchanged"（网络计算复杂度并没有降低）。
证据：如果是造假或过度包装的学术忽悠，往往会掩盖这一事实。作者坦诚了这一“缺点”，并以此引出后续真正用来降低复杂度的 Group Merging（组内合并）策略，逻辑非常严密、实事求是。
严重程度：🟢 (无异常)
复核状态：✅ 成立

发现 4：极小可能的视觉素材提取乱码（瑕疵）

位置：Figure 1 及 Figure 2 附近文本
描述：文本提取时出现了 !!"#$%& 等乱码符号。经核查，这通常是原论文 PDF 中使用的特殊字体、数学公式渲染或架构图内嵌文本在复制/解析时产生的乱码，而非论文本身存在的乱码。
证据：属于文本解析工具的局限，论文本身排版正常。因为无法获取原始高清图片进行像素级分析，无法进行 Western Blot 等图像拼接检测（本文为纯计算机视觉/深度学习论文，也不涉及此类生物实验图片）。
严重程度：🟢 (无异常)
复核状态：✅ 成立

发现 5：个别数据“过于完美”存疑（微小瑕疵）

位置：Table 2 (Supervised Lung CT Image Registration)
描述：ShiftMorph-diff 在 Validation 和 Testing 阶段的 Folds (%) 均为 0.0000。
证据：在 3D 医学图像配准中，由于引入了 Squaring and Scaling (SS) 技能，理论上能严格保证形变场的微分同胚（即不出现折叠）。得到绝对的 0.0000% 在算法层面是可能的（可能是因为浮点精度极小或代码中对其进行了二值化截断），但精确到小数点后四位全为 0，略微有一点“过于干净”。不过考虑到这是有严格数学保证的算法特性，属于合理范围。
严重程度：🟡 (基本可忽略)
复核状态：✅ 成立

耿同学辣评

这篇论文简直是“学术界的一股清流”！不仅没有伪造数据的狗血剧情，反而把公式写得严丝合缝，甚至还主动“坦白”自己的模块刚开始并不能省算力。在这个连 loading control 都能转圈复用的浮躁时代，这种主打“硬核推导+实事求是”的深度学习论文，各位搞生信和医学影像的同学真的可以多看两眼，比那些满嘴跑火车的“水文”强太多了！

建议后续行动

~~联系作者要求提供原始数据~~ (无需进行)
~~在 PubPeer 上提出质疑~~ (无需进行)
~~向期刊编辑部举报~~ (无需进行)
安心将其作为方法学参考，复现其代码或借鉴其 Self-consistency 思想。

⚠️ 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。

ShiftMorph: A Fast and Robust Convolutional Neural Network for 3D Deformable Medical Image Registration