🔍 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 (匿名投稿)
• 期刊：ACM MM 2024 (投稿版本)
• DOI：10.1145/nnnnnnn.nnnnnnn (占位符，未正式分配)
• 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：图片复用检测（一图多用）

• 位置：全文 Figure 1-7
• 描述：本文为纯计算机科学/深度学习领域的算法论文，文本中没有涉及 Western Blot、凝胶电泳、显微镜图、流式细胞图等常用于造假的传统生物学图像。
• 证据：本文的图表均为规范的计算机领域示意图或实验结果图，包括网络架构图（Fig 1, Fig 2）、概念示意图（Fig 3）、性能对比折线图/柱状图（Fig 4, Fig 7）以及医学图像配准效果展示图（Fig 5, Fig 6）。未发现任何视觉相似度异常或图片复用的痕迹。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

发现 2：数据造假检测（随机数生成器都不如）

• 位置：Table 1, Table 2, Table 3, Table 4
• 描述：对论文中提供的核心评价指标数据进行了分布和一致性检查。
• 证据：表中的各项性能指标（如 Dice、HD95、TRE、Folds %）和运行时间等数据具有真实的波动性。例如 Table 1 中 OASIS 数据集上不同方法的 Dice 分数从 0.7947 到 0.8266 不等，各对比方法的数值差异符合其在领域内的已知特性。数据没有呈现不切实际的“过于完美”的整齐度，末位数字分布均匀，且不存在可疑的数学等差关系。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

发现 3：图片拼接检测（PS 痕迹）

• 位置：全文 Figure
• 描述：无可疑的图片拼接痕迹。
• 证据：该论文的实验图表多为由代码（如 matplotlib）直接生成的矢量图或网络结构框图，不存在生物医学实验图像中常见的通过拼接不同泳道来伪造结果的情况。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

发现 4：统计学异常检测

• 位置：性能评估部分
• 描述：对比实验的数据逻辑和性能提升幅度正常。
• 证据：论文采用的是标准的深度学习评估指标，不涉及复杂的生物学样本量计算或 p 值分布。与当前 SOTA（如 TransMorph, VoxelMorph）的比较结果在合理范围内，作者提出的 ShiftMorph 在保持精度的同时大幅提升了速度（3倍以上），这种“以局部精度换取极大速度提升”或“通过结构优化实现双赢”的深度学习优化逻辑是自洽且合理的。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

发现 5：产出异常检测（量产型学术）

• 位置：时间线及参考文献
• 描述：未发现产出异常。
• 证据：这是一篇针对 3D 医学图像配准（DIR）任务的独立算法改进论文。作者引用了该领域常规的基准数据集（OASIS, IXI, Lung250M-4B）和主流对比方法。方法描述（基于 UNet 的改进、Shifted Embedding 等）清晰合理，未发现短时间内批量生产换皮论文的痕迹。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

发现 6：引用与方法学异常

• 位置：Methodology 及 Experiments 部分
• 描述：方法学逻辑自洽，实验设置严谨，时间线无冲突。
• 证据：网络架构设计有明确的数学公式支撑（如公式 1-10）。实验设置部分明确指出了使用的显卡型号（Intel Xeon Silver 4314 CPU and a 24G NVIDIA Geforce RTX 3090 graphics card）及超参数设置。文中使用的 2021-2023 年的学术论文和数据集完全符合正常的研究迭代周期，时间线逻辑没有矛盾。
• 严重程度：🟢 无异常
• 复核状态：✅ 成立

耿同学辣评

这是一篇非常规矩且硬核的计算机视觉/深度学习领域论文。咱拿着“找茬”的放大镜，在这堆矩阵运算、网络架构和数学公式里找了半天，连个标点符号的漏洞都没揪出来。对于这种老老实实做模型加速的“神仙打架”文章，咱只能说：除了有些费脑子看不懂，学术诚信上那是没毛病！

建议后续行动

• 无需联系作者要求提供原始数据（文本纯算法理论无造假嫌疑）
• 无需在 PubPeer 上提出质疑
• 无需向期刊编辑部举报
• 无需向作者所在机构学术委员会举报

⚠️ 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。