近年来，论文图像操纵与AI生成已经成为学术不端重灾区，也是论文撤稿的主要原因之一。在论文投审稿过程中，编辑部与审稿专家对论文内图像的审核也逐渐严格。万方文察依托图像特征点匹配算法与的学术图像检测技术及基于扩散重建的深度伪造检测算法，可有效识别多种易被忽视的图片风险。

风险一：单篇论文内部图像重复使用

论文写作过程中，因实验图像文件命名相近、内容相似度较高、委托实验数据审核不严，易出现同一图像被用于不同章节、不同实验组或不同对照条件的情况。肉眼难以逐图核验识别，易引发审稿人对数据真实性与严谨性的质疑。

万方文察支持单篇内部图像复用检测，可对论文内全部图像开展两两特征比对，能够识别经裁剪、缩放、色彩调整等编辑操作但核心特征点匹配的重复图像，帮助及时发现问题图像、规范图像使用。

Pubpeer上图像篇内复用质疑

文察图像检测结果

注：图像算法仅能够判断两图之间有无相似特征，重复区域可能包含合理范畴内的重复，如针对原始图+处理后图并列、实验组/对照组同场景对照、整体图+局部放大图配套出现、多尺度/多分辨率递进展示、方法示意图跨章节复用等情况，建议根据前后文和学术场景慎重判断。

风险二：与已发表文献图像局部特征高度重合

通过对论文撤稿情况分析可以发现，与其他已发表论文中图像相似的问题近年来也频繁发生，万方文察依托海量万方学术文献图像库，可以对条带图、染色图、电镜图、实物图、示意图等多类型实验生成图像进行全库比对，精准定位与已发表图像的局部特征匹配区域。

Pubpeer上图像跨篇复用质疑

文察图像检测结果

风险三：AI 生成图像的不当使用与合规风险

伴随AI绘图工具在学术创作中的应用，部分作者使用AI工具生成论文中的各类图像。根据《学术出版中AIGC边界使用指南3.0》，“AIGC工具可以依据不同的运用场景，推荐合适的统计图表类型，直观呈现数据结论……但所有用于研究结果和数据的关键图像必须直接来源于真实的研究过程与原始数据，不得使用AIGC工具直接生成或篡改”。此类图像若存在非自然纹理等生成痕迹，可被专业检测算法识别；若期刊对AI生成图像有明确限制或披露要求，未主动声明将直接导致稿件被拒。

万方文察集成AI生成图像识别模块，基于自研扩散重建模型，可对图像生成来源进行智能判别，检测过程高效精准，具备良好的泛化能力与鲁棒性，可支持当前多种主流AI大模型生成的学术图像的检测。

学术图像检测是保障科研诚信、提升论文规范度的重要前置核查手段。

为进一步降低论文中的图像风险，建议作者在论文撰写与投稿全过程中做好以下工作：

一是建立规范的原始图像保存机制，做到分类清晰、命名统一、版本可追溯，从源头减少错用、混用情况；

二是坚持图表原创性，针对实验结果类图像如实呈现，针对流程图、示意图等自主绘制，不直接模仿或局部照搬已发表文献，如果是用作说明参考类的图表，则如实按引用格式标注。

三是合理使用 AI 辅助绘图工具，对生成图像进行科学校验与人工修正，并严格按照期刊要求做好使用披露；

四是善于使用包括图像检测在内，辅助查重、文本AIGC检测、参考文献风险核查等系统化检测工具，及时发现问题，确保论文图像合规、严谨、可信。

文察多要素综合察验服务：https://wencha.wanfangdata.com.cn/all