视觉抄袭检测

方法设计：为什么必须三层互补

问题

视觉抄袭有多种形态——像素级原样搬运、改色模糊、甚至「换皮重画」（构图相同但视觉完全不同）。单靠任何一层特征都有盲区：PHash 抓不到换皮，CNN 分不清「构图相似」和「创意抄袭」，CLIP 对像素级细微差异不敏感。

思考

抄袭检测的本质是「从照搬到换皮」的连续光谱，不能用单一度量覆盖。需要三层特征各抓一段：视觉底层（像素）、视觉高层（构图）、语义概念（含义）。三层互补，才能既抓「搬」又抓「抄」。

解决

设计三层特征：PHash 感知哈希（8×8 灰度指纹 + 汉明距离）抓像素搬运；CNN（MobileNet）提取高层向量 + 余弦相似度抓构图；CLIP（ViT-B/32）多模态嵌入抓语义概念。

实验一：五种变换暴露设计缺陷

问题

构造原图（太阳+山+房子），做四种变换（复制/改色/模糊/换皮重画），测试三层特征的区分能力。结果发现 PHash 对换皮完全失效（汉明距离 26），而 CNN 和 CLIP 在换皮图上结果几乎一样（0.87 vs 0.87），拉不开差距。

思考

这不是算法的问题，是实验设计的问题——换皮图虽然颜色位置全换，但「太阳+山+房子」的构图骨架没变，而 CNN 看的就是骨架。要真正验证语义表征，必须构造「视觉完全不同、但语义相同」的图。

解决

重新设计实验：用「写实照片桥」vs「漫画桥」作为同主题、视觉完全不同的对比，用「猫」作为无关对照。

反思

这次迭代让我体会到科研中「实验设计」与「算法」同样重要——一个设计不当的实验，会得出误导性的结论。发现问题、修正设计，本身就是科研的核心能力。

实验二：照片 vs 漫画的决定性验证

问题

当两张图视觉上完全不同、但语义相同（都是桥）时，哪种特征能识别？这是区分「视觉表征」和「语义表征」的关键测试。

思考

如果 CLIP 能识别出「写实桥」和「漫画桥」是同一个东西，而 CNN 不能，就证明了 CLIP 的语义表征优势，也印证了「概念表征 + 视觉表征」必须结合。

解决

实验结果：写实桥 vs 漫画桥，CLIP 相似度 0.7538，CNN 仅 0.5944；写实桥 vs 猫（无关），两者都低分。CLIP 明显更高，决定性证明了语义表征的价值。

结论与下一步：补上「专家知识」

问题

三层特征各有盲区，互补之后仍不完整。ESWA'24 论文是「概念表征 + 视觉表征 + 领域专家知识」三路，本项目只完成了前两路。

思考

「领域专家知识」是设计领域特有的先验——比如设计师能凭经验判断「这是借鉴还是抄袭」。这一路的自动化，是真正有挑战的科研方向。

解决

已完成「视觉」和「概念」两路，验证了三层互补的有效性。「领域专家知识」作为下一步方向，向完整的 ESWA'24 框架靠拢。

反思

复现一篇顶会论文，让我完整走了一遍「理解方法 → 复现实验 → 发现缺陷 → 重设计 → 得出结论」的科研流程。这比单纯「跑通一个模型」收获大得多。