🔍 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（匿名提交，未见作者及机构信息）
• 期刊/会议：ACM MM 2024 (稿件处于双盲评审状态)
• DOI：10.1145/nnnnnnn.nnnnnnn（占位符，未见正式 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：图片复用与拼接检测（一图多用与 PS 痕迹）

• 位置：Figure 1 - Figure 7
• 描述：作为一篇深度学习与医学图像处理方向的论文，文中图表主要由网络架构图、数学示意图、实验结果可视化图（小提琴图、折线图）以及医学图像配准结果对比图组成。
• 证据：未发现明显的图片重复使用、旋转翻转或生硬拼接的痕迹。没有生化实验中常见的“条带复制粘贴”问题。文本中未提供原始像素级图片供深入分析，但现有视觉呈现符合正常科研逻辑与制图规范。
• 严重程度：无
• 复核状态：✅ 成立

发现 2：数据造假与统计学异常检测（随机数生成器都不如）

• 位置：Table 1, Table 2, Table 3, Table 4
• 描述：全面审查了文中的各项数值对比实验（如 OASIS 和 IXI 数据集上的 Dice、HD95、Folds 等指标）。真实实验通常会存在受硬件、随机种子影响的微小波动，而本文的数据非常符合这一特征。例如，Table 1 中 ShiftMorph 在不同数据集上的表现具有连贯性，使用 SS 技能（ShiftMorph-diff）后 Folds (%) 发生了极其显著的合理下降（从 0.7786% 降至 0.0231%）。
• 证据：各列数据末位数字分布自然，没有出现人为编造的“等差数列”或“标准差全部一致”的荒谬情况。深度学习论文常关注的指标均值与方差分布在文中交代清晰，未发现“教科书式完美”的拟合曲线。
• 严重程度：无
• 复核状态：✅ 成立

发现 3：方法学、引用与时间线异常（量产型与引用异常）

• 位置：Experimental Settings (Section 4.1) 及 References
• 描述：方法学描述极为详尽，网络模块设计（Shifted Embedding, Group Merging 等）逻辑自洽，公式推导无误。实验使用的数据集（如 OASIS, IXI, Lung250M-4B）均为医学图像配准领域的公开标准数据集，引用真实有效。
• 证据：硬件配置（Intel Xeon Silver 4314, RTX 3090）为合理的研究室常规设备。时间线方面，文章引用了 2023 年甚至 2024 年（如引用 [44]）的最新文献，对于投稿目标为 ACM MM 2024 的会议论文而言，时间逻辑完全闭环，不存在“穿越时空”使用未上市试剂或设备的科幻桥段。
• 严重程度：无
• 复核状态：✅ 成立

耿同学辣评

做深度学习和医学图像配准的这帮人主打一个“硬核直男”，天天就是算力、显存和参数，根本不屑于搞那些花里胡哨的 PS 拼接和“一图多用”。这篇稿子的数据跑得踏踏实实，消融实验逻辑闭环，是一篇经得起“六式”考验的清白之作，各位审稿人可以安心看创新点了！

建议后续行动

• 无需进一步行动，本报告未发现任何学术不端痕迹。

⚠️ 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。