正在加载...
请稍候

Micron-BERT: BERT-based Facial Micro-Expression Recognition

2026-09-17 08:58

🔍 耿同学打假报告

论文信息

  • 标题：Micron-BERT: BERT-based Facial Micro-Expression Recognition
  • 作者：Xuan-Bac Nguyen, Chi Nhan Duong, Xin Li, Susan Gauch, Han-Seok Seo, Khoa Luu
  • 期刊：arXiv 预印本（CVPR 类格式），来源：arXiv:2304.03195
  • DOI：arXiv:2304.03195
  • 发表年份：2023

综合评定：🟠 高度可疑（多处降级保留的独立疑点累积，但无一条实锤确认）

详细发现

⚠️ 发现 1：Figure 1 输入图与输出图高度一致（视觉摘要线索）

  • 位置：Figure 1
  • 描述：视觉分析摘要指出，Figure 1 左侧输入帧与右侧 "μ-BERT 输出" 的面部图像像素级高度一致（头发高光、肤色、背景噪点均一致）。需注意：该图是方法示意图而非实验证据图，caption 表述为 "Given two frames from a high-speed video, the proposed µ-BERT method can localize and highlight the regions of micro-movements"，属于输入-输出对应示意，存在合理的展示成分；但 caption 并未明确标注输出框内容是否为模型重建/处理结果，存在误导性展示的可能，需原始图片进一步确认。
  • 证据：论文文本无可用像素级核验数据；视觉分析摘要（置信度：高）报告了像素级一致。
  • 严重程度：🟡
  • 复核状态：⚠️ 依据不足（纯视觉定性线索，原文 caption 支持示意图解读，无文本可佐证造假）

⚠️ 发现 2：Figure 7 可视化热力图过于平滑理想化（视觉摘要线索）

  • 位置：Figure 7 最右列 "μ-BERT with DMA + POI"
  • 描述：视觉摘要指出该列结果在不同样本间激活模式高度一致（集中眼周、嘴周），背景噪声被完全抹除，相比中间列 "μ-BERT with DMA" 明显更平滑。论文方法部分明确声称 POI 的设计目标就是“过滤背景噪声、聚焦面部显著区域”（"The POI is designed as a filter that only lets the typical interesting patches belonging to the subject go through"），最右列的平滑表现与该机制在逻辑上一致，构成有原文正面依据的良性解释；但“跨样本激活模式高度一致”仍值得作者提供原始未经后处理的注意力图予以澄清。
  • 证据：Figure 7 caption 描述各列分别为 onset/apex 帧、RAFT、MagNet 与 µ-BERT 各模块结果；Section 5.6 描述 POI 的过滤作用。程序化取证在多张图检出噪声方差异常与 copy-move 匹配，但本文图片为规则排布的多面板结果网格（重复面部裁剪块），极易产生同偏移伪匹配，单一证据不足以定罪。
  • 严重程度：🟡
  • 复核状态：⚠️ 存在良性解释（最右列平滑与论文明确声称的 POI“过滤背景、聚焦面部”机制一致，可能系方法本身所致，需原始注意力图确认）

ℹ️ 发现 3：Benford / 末位数字检验异常——检验前提不成立，不采纳

  • 位置：Tables 1–6 全部数值
  • 描述：机器取证报告 Benford 第 1/3/4 位显著偏离、末位分布轻度不均。但本文全部数值为精度受限的百分比指标（UF1/UAR，两位小数、范围约 17–90%），Benford 检验对受控范围、精度截断数据不适用；末位分布受“两位小数+有限样本量”约束，轻度不均在预期之内。本条仅作为线索记录，不构成造假证据。
  • 证据：Tables 1–6 中所有数值均为两位小数百分比（如 56.04、61.25、32.64 等），检验前提不满足。
  • 严重程度：🟡（检验适用性问题，非数据异常）
  • 复核状态：ℹ️ 不构成不端证据（Benford/末位检验前提对本类数据不适用）

⚠️ 发现 4：跨数据集比较的类别数不一致与结果过于全面领先

  • 位置：Tables 1–4、Section 5.4
  • 描述：论文在四个基准上对每一种类别数设置均声称全面超越 SOTA，且 Table 1 中 µ-BERT 相对 Baseline(+Depth) 的提升幅度（+16~17 UF1）远超其余文献间的典型差距（1–5 点）。原文核实：Table 1 中 "µ-BERT (ours) 3 56.04 61.25" 与 "RCN-A [49] 3 39.28 38.93"、"µ-BERT (ours) 4 47.18 49.13" 与 "Baseline (+Depth) [14] 4 30.01 29.82"、"µ-BERT (ours) 7 32.64 32.54" 与 "Baseline(+Depth) [14] 7 17.73 18.29" 均为原文真实数据；CASME II 与 SAMM 表中同时混排 3 类和 5 类结果，与不同文献比较时类别数并不对齐，存在选择性比较的空间。这属于实验报告规范问题，不必然指向数据造假。
  • 证据：Table 1–4 原文数据逐项核对无误；引用数字均命中原文。
  • 严重程度：🟡
  • 复核状态：⚠️ 依据不足（数据核对无误，但“大幅领先+类别数不对齐”更可能源于新方法真实提升与领域内常用比较惯例，不足以支持造假指控）

✅ 发现 5：轻微内部不一致与编辑疏漏

  • 位置：Abstract vs. Introduction；参考文献 [11]/[12]/[17]/[18]/[31]
  • 描述：摘要称微表情持续 "0.25 to 0.5 seconds"，引言称 "between 5 milliseconds and half a second"，两处口径不一致，原文均可见。参考文献方面，[11]、[12] 两条目共享同一标题片段与页码（"…facial graph representation learning and facial action unit fusion. … CVPRW, pages 1571–1580, June 2021"），[31] 亦指向同一论文与相同页码（1571–1580）；[17]/[18] 为同一条 STSTNet 论文（FG 2019, pages 1–5）的重复条目。程序化核验未命中完整字符串系 OCR 截断所致，页码 1571–1580 与论文标题片段在原文中逐字可见，重复事实成立。这些是写作/整理疏漏的典型特征，属编辑质量问题，不指向数据造假。
  • 证据：Abstract "0.25 to 0.5 seconds" vs. Introduction "5 milliseconds and half a second"；[11][12][31] 均含 "pages 1571–1580" 及相同论文题名/会议信息；[17][18] 均为 STSTNet (FG 2019)。
  • 严重程度：🟡
  • 复核状态：✅ 成立（文字不一致与引文重复均有原文直接依据）

说明：无法判定的事项

  • 文本中未提供可供像素级复核的原始图片数据。程序化图像取证的 copy-move/PRNU 线索（I1–I24）在本类多面板深度学习论文中存在大量结构性伪触发来源：论文图片均由同一 arXiv PDF 渲染导出（同一管线天然导致 PRNU 相似）、Figure 2/7 等为规则排布的面板/面部网格（重复面部裁剪块在固定网格间距 32px 上产生同偏移 copy-move 匹配）、面部与背景混合导致噪声方差梯度。各线索所提“扫描照明梯度/统一导出”等通用托辞虽无逐条原文正面支持，但“同一 PDF 渲染”与“规则网格面板”的结构性解释由论文图片形态本身支撑，故不作为定罪依据，仅记录备查。
  • 训练声明（8M 帧、32×A100 40G、batch 64/GPU、100 epochs、三天完成）数值上自洽，无法证伪，记录备查。

耿同学辣评

这篇论文的表格数字一个比一个漂亮、四个基准全面屠榜，提升幅度还一骑绝尘——越是“零噪声”的结果，越要多看两眼。可惜目前真正坐实的只有排版和引文打架：微表情时长两处口径对不上、三组参考文献互相抄袭自己。图像方面的“完美热力图”疑点虽与论文自述的 POI 机制能对上号，但作者若肯把原始注意力图和 Figure 1 的输入/输出原图交出来，一切谣言不攻自破；藏着掖着才是最大的微表情。

建议后续行动

  • 联系作者要求提供 Figure 7 的原始（未经后处理）注意力图与可视化脚本
  • 要求作者澄清 Figure 1 输出框中图像的来源（是否为模型重建结果）并补充明确标注
  • 修正重复参考文献（[11]/[12]/[31]、[17]/[18]）及微表情时长口径不一致问题
  • 说明跨数据集比较中的类别数对齐方式，避免选择性比较质疑
  • （可选）在 PubPeer 上就可视化一致性问题礼貌提问

⚠️ 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。

🧮 证据合成（自动生成）

  • 综合后验概率：62.8%（先验 5%）
  • 95% 可信区间：[25.3%, 86.9%]
  • 贝叶斯因子：BF = 32.02（非常强（very strong））
  • 综合评级：🟠 存在疑点
  • 复核已排除线索：27 条（良性解释成立 / 检验前提不满足 / 说明性条目，未计入合成）

贡献最高的证据：

  1. [发现1] 视觉摘要指出 Figure 1 输入帧与输出框面部像素级一致，存在误导性展示风险，但示意图场景有良性解释。（vision/*，logLR=1.19）— 贡献 36.6%
  2. [发现2] 最右列结果跨样本高度一致且背景噪声被完全抹除，与 POI 设计逻辑一致但建议作者提供原始注意力图。（vision/*，logLR=1.19）— 贡献 33.7%
  3. [发现4] 表格混排不同类别数设置并与不同文献比较，存在选择性比较空间，属报告规范问题。（llm/*，logLR=1.08）— 贡献 29.8%

免责：本小节由程序化贝叶斯合成自动生成，不构成学术不端判决。先验固定 5%，证据间按条件独立处理（可能高估相关证据的联合强度），LR 版本 geng_lr_v3（Phase 5 基准回归校准：任务级触发率比值+复核处置标签，n=11，向 v2 收缩 k=10）；可信区间与点估计来自同一后验（先验抽样 + LR 噪声的联合蒙特卡洛，区间随证据强度收敛）。请以正文具体发现与原始数据为准。

返回报告库