🔍 耿同学打假报告

论文信息

• 标题：SSR: Semantic and Spatial Rectification for CLIP-based Weakly Supervised Segmentation
• 作者：Xiuli Bi, Die Xiao, Junchao Fan, Bin Xiao
• 期刊/会议：AAAI-26 (The Fortieth AAAI Conference on Artificial Intelligence)
• DOI：未提供
• 发表年份：2026
• 论文来源：07906-AAAI26.BiX-CV.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：核心公式与实现细节的严重逻辑冲突

• 位置：Methodology (公式 9) / Implementation Details (Page 2448)
• 描述：在公式 9 中，作者将 CLIP 和 DINO 的多头自注意力（MHSA）特征进行融合，定义明确使用的是 \(ConCat\)（拼接）操作：“\(A=ConCat(MHSA_{CLIP}, MHSA_{DINO})\)”。然而，在后续的“Implementation Details”中，作者又写道：“In SGC, the CLIP:DINO weighting ratio is 0.4:0.6.”
• 证据：这是一个基础性的深度学习常识错误。如果使用的是通道或维度拼接，是不会产生“0.4:0.6”这种加权和权重比的。如果使用了权重比，那么公式 9 应该是 \(A = 0.4 \times MHSA_{CLIP} + 0.6 \times MHSA_{DINO}\)。这说明作者在撰写方法和实现细节时存在严重的脱节，或者是在堆砌技术名词时露出了马脚，公式很可能是为了凑数学美观而随意编造的。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：核心数据比例计算异常与文本不符

• 位置：Fully-supervised Counterparts (Page 2449, Table 6 下方文本)
• 描述：文中声称“SSR achieves 79.5% mIoU on VOC 2012 val set, reaching 97.4% of fully-supervised performance.”
• 证据：核对数据可以发现，在 Table 6 中，表现最好的全监督基线是 DeepLabV2 F ViT-B，其 mIoU 为 82.3%。用 79.5 除以 82.3，等于 96.59%，根本不是作者声称的 97.4%。如果按照 97.4% 反推，全监督的 mIoU 应该是 81.6%，但表中根本没有这个数据。这种关键提升比例的算术错误，说明作者极有可能是在凭空捏造数字，连计算器都没按对。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 3：基线对比中的“无中生有”与张冠李戴

• 位置：Model Performance Across Key Metrics (Page 2449, Table 5 下方文本)
• 描述：文本中描述：“Our method achieves superior performance on all indicators: surpassing the best baseline MoRe by 3.1% in mIoU and 3.5% in Precision”。
• 证据：核对 Table 5 的数据发现：mIoU 方面，Ours (0.795) 相比 MoRe (0.764) 确实提升了 3.1%；但是 Precision（精确率）方面，Table 5 显示 Ours 为 0.879，而 MoRe 为 0.837，差值实际是 4.2%！作者宣称的 3.5% 实际上是拿 Ours (0.879) 减去了 WeCLIP 的 0.844（差值刚好为 3.5%）。作者搞错了对比对象，暴露出在编写文本时生搬硬套数据，缺乏最基本的严谨校对。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 4：图片与指标信息无法进行像素级核验

• 位置：Figures 1-6
• 描述：本文是一篇重度依赖可视化（CAM 激活图、分割掩码、t-SNE 特征图）的计算机视觉论文，但提供的文本中无法展示高分辨率的原始图像数据。
• 证据：由于仅有文本信息，无法对 Figure 3 的分割图边缘是否过度平滑、Figure 4 的 CAM 激活图是否存在局部擦除、以及 Figure 6 的 t-SNE 是否存在人工框选修改等进行视觉像素层面的鉴定。当前环境缺乏原图像素依据。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇顶会稿子把“Concat（拼接）”和“加权求和”混为一谈，把 96.6% 硬说成 97.4% 以夸大逼近全监督的效果，甚至做减法都能找错减数！深度学习论文不是请客吃饭，不能连小学算术都指望 AI 帮你编吧？如果算法核心公式和实验结果连内部逻辑都无法自洽，那这模型不是在炼丹，而是在炼“糊弄学”的仙丹啊！

建议后续行动

• 联系作者要求提供原始数据（特别是公式9的具体代码实现逻辑和全监督对比比例的计算源代码）。
• 在 PubPeer 上提出质疑。
• 向 AAAI 2026 期刊/会议编辑部举报，要求在接收前大修并核查代码开源情况。
• 向作者所在机构学术委员会举报（目前证据偏向于极度的学术粗制滥造或意图拔高数据的学术不端）。

⚠️ 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。