来源丨机器之心
围观群众吐槽，作者忙着分锅。
人工智能顶会 CVPR 2022 的最后一天，一篇重点论文意外火了，但不是以正经的方式。
这天，YouTube 上出现了一个新的账号，它的目的非常单纯，就是为了指证一篇 CVPR 2022 Oral 论文涉嫌抄袭。
2022 年的 CVPR 大会的投稿量达到 8161 份，共有 2064 篇论文被接收，接收率为 25.28%，在被接收的论文中，有 342 份被选为 Oral（口头报告）论文。
这篇被指抄袭的 Oral 论文题为「E2V-SDE: From Asynchronous Events to Fast and Continuous Video Reconstruction via Neural Stochastic Differential Equations」，由来自首尔大学和韩国科学技术研究院的作者合作完成。
论文地址：https://arxiv.org/abs/2206.07578
论文提出了一种应用于事件相机的新模型。
事件相机对场景中每个像素的亮度变化进行异步且独立的响应。这些相机具有鲜明的特点：高动态范围 (HDR)、高时间分辨率和低功耗。事件相机的结果应该被处理成计算机视觉任务的替代表征。然而，事件相机容易受噪音影响，并且在事件很少的区域内性能不佳。近年来，许多研究人员试图从事件中重建视频。然而，由于缺乏来自不规则和不连续数据的时间信息，很多工作都不能提供高质量的视频。
在这篇论文中，作者提出了一种称为 E2V-SDE 的新模型，其动力学由随机微分方程 (SDE) 在潜在空间中控制。E2V-SDE 可以在任意时间步长上快速重建图像，并对看不见的数据做出实际预测。
此外，该研究声称成功地采用了多种图像合成技术来提高图像清晰度和时间一致性。通过对模拟和真实场景数据集进行广泛的实验，研究者验证了 E2V-SDE 模型在各种视频重建设置下都优于 SOTA 方法。在图像质量方面，LPIPS 分数提升高达 12%，重建速度比 ET-Net 快 87%。
在一段 7 分 16 秒的视频里，爆料者列举了十几篇疑似被抄袭的论文，并标出了疑似抄袭的具体段落。
这些段落广泛分布在 Introduction、Preliminaries、Method 等不同章节。
E2V-SDE 论文段落（来自 Introduction 章节）。
疑似被抄袭论文《Latent ODEs for Irregularly-Sampled Time Series》段落。
E2V-SDE 论文段落（来自 Preliminaries 章节）。
疑似被抄袭论文《Continuous Latent Process Flows》段落。
E2V-SDE 论文段落（来自 Preliminaries 章节）。
疑似被抄袭论文《Continuous Latent Process Flows》段落。
E2V-SDE 论文段落（来自 Method 章节）。
疑似被抄袭论文《Vid-ODE: Continuous-time Video Generation with Neural Ordinary Differential Equation》段落。
疑似被抄袭的论文包括但不限于视频列表中提到的这些（列表有重复）：
论文「抄袭」得如此明显，人们除了声讨作者以外，也纷纷吐槽了 CVPR 作为计算机视觉顶会审稿的严谨程度。
当然，开盒视频走讽刺路线，网友们的评论也充满了快乐的气氛：
图源：知乎回答 https://www.zhihu.com/question/539378810/answer/2543500074
据 reddit 网友透露，论文的第一作者曾就该事件给出过回应（后来可能删除了），表示自己的研究其实和之前的文章在很多方面还是有区别的，视频中提到的一些段落其实是引用，他需要时间去核实事实。
但很快，这个第一作者就被自己的队友「卖」了。在一份道歉的帖子中，合著者之一表示，自己很抱歉没有尽到检查、核实的义务，没有提前发现第一作者的剽窃行为，目前，他们的导师正在联系 CVPR 主席撤回该论文。
随后第一作者证实文章已撤稿。
除了文章本身造成的恶劣影响，合著者把责任都推给第一作者的行为也引来了大家的批评。
「只分享荣耀，不承担责任，还有这么好的事儿？」
由此可见，很多合著者可能根本都没有看过论文。
希望在大会方核实之后，事件能得到应有的处理。
参考内容：
https://www.zhihu.com/question/539378810
https://www.reddit.com/r/MachineLearning/comments/vjkssf/d_how_to_copy_text_from_more_than_10_previously/
本文仅做学术分享，如有侵权，请联系删文。
3D视觉工坊精品课程官网：3dcver.com
1.面向自动驾驶领域的多传感器数据融合技术
2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码) 3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进 4.国内首个面向工业级实战的点云处理课程 5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解 6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦 7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化 8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
9.从零搭建一套结构光3D重建系统[理论+源码+实践]
10.单目深度估计方法：算法梳理与代码实现
11.自动驾驶中的深度学习模型部署实战
12.相机模型与标定(单目+双目+鱼眼）
13.重磅！四旋翼飞行器：算法与实战
14.ROS2从入门到精通：理论与实战
15.国内首个3D缺陷检测教程：理论、源码与实战
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~
