🔍 耿同学打假报告

论文信息

标题：Neural Fields for Structured Lighting
作者：Aarrushi Shandilya, Benjamin Attal, Christian Richardt, James Tompkin, Matthew O’Toole
期刊/会议：ICCV 2023 (IEEE/CVF International Conference on Computer Vision)
DOI：文本中未提供
发表年份：2023
论文来源：Shandilya_Neural_Fields_for_Structured_Lighting_ICCV_2023_paper.pdf

综合评定：✅ 清白

详细发现

发现 1：数据与统计学逻辑自洽

位置：Table 2 / Table 3 (第 6 页/第 8 页)
描述：对论文中报告的深度估计和新视角合成的量化指标（PSNR, SSIM, LPIPS, MSE, MAE）进行了跨组逻辑验证。
证据：在 Table 2 中，随着输入视角的增加（从 2-view 到 8-view），所有方法的 PSNR 均呈现合理的上升趋势（例如 NeRF 从 27.53 升至 38.31），LPIPS 呈现合理的下降趋势。没有出现“输入数据变少，效果反而变好”的违反常理的假象。末位数字分布自然，没有人工编造数据的“过度完美”特征。
严重程度：🟢 正常
复核状态：✅ 成立

发现 2：硬件与软件时间线无冲突

位置：Section 4 & Section 5.1 (第 4 页与第 5 页)
描述：检测实验所使用的软硬件环境与论文时间线是否匹配。
证据：作者声称使用了 Intel RealSense D435（2017年上市）以及 NVIDIA 3090 RTX GPU。当前日期为 2026 年，这篇 ICCV 2023 的论文在实验时使用 3090 显卡完全符合时间逻辑。同时，引用的 COLMAP、Blender、NeRF-PyTorch 均为计算机视觉领域标准且时间线匹配的工具链。
严重程度：🟢 正常
复核状态：✅ 成立

发现 3：数学推导与物理模型严谨

位置：Section 3 (第 3-4 页)
描述：审查公式逻辑与成像模型。
证据：论文将结构光成像分解为环境光、直接照明和间接照明，并基于经典的渲染方程给出了数学推导（公式 1-9）。特别是对直接光照的平方反比定律和 BRDF 简化假设的论述，具备物理学常识，未见明显的反直觉或伪科学编造痕迹。
严重程度：🟢 正常
复核状态：✅ 成立

(注：由于本检测仅基于纯文本提取，无法获取论文中的 Figure 1-10 的原图像素信息，因此无法进行一图多用（第一式）和 PS 拼接痕迹（第三式）的像素级比对。但基于现有文本、公式和表格的交叉验证，未发现任何学术不端线索。)

耿同学辣评

虽然这年头AI炼丹炉里飞出来的“水文”多如牛毛，但这篇把传统的结构光物理模型和前沿的神经辐射场结合起来的工作，数学推导扎扎实实，实验数据也经得起推敲。从公式到 RealSense 实物，逻辑链条闭合得天衣无缝。耿同学拿着放大镜看了一圈，只能说：这篇顶会论文，有点东西，挑不出毛病，属于踏实做学问的典范！

建议后续行动

无需进一步行动，文本层面未发现异常。
（可选）如有条件，可获取原图复核 Western Blot 或电镜图（本论文为计算机视觉算法论文，无此类湿实验图片）。

⚠️ 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。

Neural Fields for Structured Lighting