Best Paper也有「幻觉引用」?ACM MM获奖论文决定撤稿
原创 让你更懂AI的 2026-11-19 00:02 北京

作者为何决定撤稿?

从 Best Paper 到决定撤稿,发生了什么?
刚拿下 ACM MM 2026 最佳论文奖,一篇论文便遭到多位网友质疑。
论文的对比实验存在明显疑点,部分方法的成绩异常偏低,参考文献中还出现了疑似「幻觉引用」。
如今,作者团队已决定撤稿。

〓论文通讯作者宣布撤稿决定
2026 年第 34 届 ACM MM 于 11 月 10 日至 14 日在巴西里约热内卢举行,共录用 1703 篇论文,评出 17 篇 Best Paper。

〓该论文入选本届最佳论文名单
这篇论文题为《Clifford-Algebra-Based Geometric Feature Fusion for Real-Time UHD Low-Light Image Enhancement》,由西安电子科技大学、南京理工大学等单位的研究人员合作完成。
论文提出了面向超高清弱光图像增强的 CPE 框架,通过多尺度特征提取、克利福德几何特征融合与 Gamma/Gain 映射,降低 4K、8K 图像增强的计算和显存开销。
在单张 RTX 3090 上,CPE 的 4K、8K 推理延迟分别为 8.68 毫秒和 11.49 毫秒,8K 峰值显存约 1.17GB。这是论文最突出的性能卖点。

〓CPE 在超高清图像推理效率上表现突出

对比实验引发质疑
在 UHD-LOL 4K 数据集上,CPE 的 PSNR 为 20.56dB,另一种方法 LLFormer 达到了 37.31dB,而 Retinexformer 和 HVI-CIDNet 却分别只有 15.75dB、16.44dB。
单看图像质量,CPE 明显落后于 LLFormer,其主要优势集中在推理效率上。
但 Retinexformer、HVI-CIDNet 同样是成熟的有监督弱光增强方法,为什么成绩会如此低?
最初提出质疑的网友(@信息门下舔狗)发现,UHD-LOL 数据集的提出者早已在 LLFormer 论文中给出了多种经典方法的实验结果。
其中 Restormer 的 PSNR 达到约 36.9dB,明显高于 CPE,却没有被纳入后者的主要对比实验。

〓部分有监督方法的测试成绩异常偏低
CPE 详细介绍了自身在 UHD-LOL 上的有监督训练流程,却没有列明各对比方法的权重来源,以及是否在 UHD-LOL 上重新训练。
网友使用 Retinexformer 在 Adobe FiveK 数据集上训练的官方权重进行测试,得到的 PSNR 为 15.67dB,与 CPE 论文报告的 15.75dB 几乎一致。
从头训练 3000 步后,成绩便提升至 26.00dB。
HVI-CIDNet 也出现了类似情况。使用已有预训练权重测试,PSNR 约为 16.80dB;重新训练 2500 步后,提升至 24.72dB。
另一位网友(@做引擎的岑)抽取 100 张图像,直接使用 Retinexformer 的原始预训练权重推理,得到 16.83dB,同样接近 CPE 论文报告的低分。
CPE 是否在目标数据集上充分训练,却直接使用其他数据集的预训练权重评估竞争方法?

〓论文展示了不同方法的弱光增强效果
原论文的视觉对比中,Retinexformer 的增强结果明显偏暗。网友将其与使用 Adobe FiveK 预训练权重生成的图像进行比较,发现两者十分接近。

〓网友使用已有预训练权重复现了接近原论文的效果
被用于对比的 HVI-CIDNet 共同第一作者也公开回应了相关质疑。
〓上下滑动,查看完整回应
他表示,团队此前没有提供 UHD-LOL 上的训练结果,将在近期公开针对该数据集训练得到的权重和代码,包括分块、原生分辨率及缩放推理等不同版本,方便同行验证。
CPE 论文中的 HVI-CIDNet 测试结果还有一处明显异常。
在 4K、8K 两组实验中,PSNR 和 SSIM 均有所变化,但另外三项指标却完全相同:VIF 均为 0.7530,LPIPS 均为 0.1702,NIQE 均为 6.78。
CPE 自身的 8K PSNR 在正文、质量对比表和消融实验中分别为 22.86、22.80、22.76dB,推理延迟也分别出现了 11.49 毫秒和 13.76 毫秒。论文没有解释这些数值为何存在差异。
数据集描述同样存在问题。UHD-LOL 的正常曝光图像来自真实摄影内容,但弱光图像主要通过软件调整参数合成。CPE 却将其描述为真实世界的弱光配对数据。

克利福德代数究竟贡献了什么?
CPE 的主要思路是先将超高清图像缩小到较低分辨率,通过多尺度网络提取特征,再预测 Gamma 和 Gain 参数,在原始分辨率上完成亮度与颜色调整。
其中,克利福德几何特征融合被列为论文的核心创新。作者希望借助几何代数中的多向量表示,改善高低频特征的融合效果,在抑制噪声的同时保留图像细节。

〓CPE 通过多尺度特征提取和参数映射完成图像增强
有网友展开论文中的 Clifford 计算公式后发现,论文实际使用的是两个多向量几何积的标量部分。按照论文给出的定义展开,这一计算与普通向量逐元素相乘再求和在数学上等价。
从具体实现来看,这里实际上使用了经过线性投影的特征内积,再通过 Sigmoid 生成融合权重。
如果普通向量点积就能完成相同计算,克利福德代数究竟提供了哪些额外收益?

〓该模块利用特征相似度生成动态融合权重
消融实验中,这个模块在不同网络配置下的效果也不一致。
在一组配置中,加入克利福德模块后,PSNR 从 21.70dB 降至 21.61dB;在另一组配置中,则从 21.77dB 提高至 22.76dB。
论文重点介绍了后一组约 1dB 的提升,却没有设置普通点积门控的直接对照实验,无法判断这一提升究竟有多少来自克利福德代数本身。

〓融合模块在不同网络配置下的效果存在差异
有网友在没有原始代码的情况下,根据论文公开信息重建了 CPE 网络,并抽取 UHD-LOL 4K 测试集中的 100 张图像进行画质评估。
最初的重建版本约有 121.66 万个参数,接近原论文的 114.4 万。训练 80 轮后,PSNR 达到 22.20dB,SSIM 为 0.9148。
这位网友随后进一步简化网络,将参数量压缩至 11.6 万。经过 200 轮训练,简化版仍取得了 22.05dB 的 PSNR 和 0.9170 的 SSIM。

〓两种重建网络的参数量与图像质量对比
推理效率方面,简化版在 NVIDIA L20 上处理 4K 图像仅需 8.05 毫秒,与原论文在 RTX 3090 上报告的 8.68 毫秒接近。
8K 推理仍存在差距。采用双三次插值时,延迟为 24.15 毫秒;改用双线性插值后降至 16.30 毫秒,但依然高于原论文的 11.49 毫秒。

〓4K 推理延迟接近原论文,8K 仍存在差距
网友还尝试了更加简单的 Gamma/Gain 参数预测器。
在相同的 100 张测试图像上,仅使用 20 个可学习参数,便取得了 22.24dB 的 PSNR,而训练至第 60 轮的另一版重建 CPE 为 21.33dB,两者的 SSIM 也基本相当。

〓20 个可学习参数便取得了可观的增强效果
看到独立复现结果后,最初提出质疑的网友也认可了类似架构的性能可行性,但仍质疑对比实验是否公平,以及克利福德模块的实际贡献。

参考文献中的三处疑点
网友(@时箴)检查论文参考文献时,发现其中至少三条引用存在明显异常。

参考文献 [12] 是一篇标注发表于 ECCV 2024 的《Towards Efficient Image Detail Enhancement on Mobile Devices》。
在 ECCV 2024 的公开论文目录及已核查的学术数据库中,均未找到与这一标题和作者信息相符的记录。
参考文献 [47] 是《Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing》。
这篇论文确实存在,但 CPE 将第一作者写成 Chien-Sheng Wu,发表年份写成 2023 年,页码写成 45—58。
实际论文由 En Li 等人发表于 2020 年,页码为 447—457。
参考文献 [51] 是一篇 ECCV 2022 的超高清图像去摩尔纹论文。原论文真实存在,但 CPE 把其中两位作者 Jiajun Shen、Jia Li 误写成了 Jiawei Shen、Jiawei Zhang。
这篇论文提出的 UHDM 方法还被纳入了 CPE 的弱光增强对比实验。原论文没有说明这项去摩尔纹方法如何适配弱光增强任务,也没有交代相应的训练设置。
其中,[12] 和 [47] 还被正文用于介绍移动端部署实验,并非仅仅出现在论文末尾的参考文献列表中。

最佳论文的评审争议
一篇获得 ACM MM Best Paper 的论文,在获奖后被指出多项实验与参考文献问题,作者团队最终决定撤稿。会议的审稿质量与最佳论文遴选过程也由此受到质疑。
对比实验数据异常,参考文献也有明显错误。这些问题为何没能在评审和评奖环节得到解决?
参考文献
[1] https://www.zhihu.com/question/2104933122630476610
[2] https://2026.acmmm.org/site/awards.html
[3] https://dl.acm.org/doi/10.1145/3767308.3835165
[4] https://arxiv.org/abs/2604.09321
[5] https://taowangzj.github.io/projects/LLFormer/static/paper/Paper_AAAI2023.pdf
更多阅读
·

本文转载自微信公众号「PaperWeekly」,查看原文。版权归原作者所有,如有侵权请联系删除。







