CVPR论文数据集未发布：学术诚信与可复现性危机

一个未兑现的承诺：CVPR论文数据集在哪里？

近日，一位研究者在Reddit上发起了一场引人深思的讨论。他遇到了一件颇为棘手的事情：一篇被CVPR 2026接收并正式发表的论文，其核心贡献是一个数据集，但这个数据集从始至终从未被公开发布。

CVPR（IEEE/CVF Conference on Computer Vision and Pattern Recognition）是计算机视觉领域公认的顶级学术会议，与ICCV、ECCV并称为计算机视觉三大顶会。CVPR每年接收数千篇投稿，录取率通常在25%左右，竞争极为激烈。一篇被CVPR接收的论文往往被视为该领域的高质量研究成果，对作者的学术声誉和职业发展有重要影响。正因如此，每一个接收名额都弥足珍贵，社区对被接收论文的质量和贡献有着极高的期望。

据这位研究者描述，情况相当明确：这个数据集在会议召开之前没有发布，在会议期间没有发布，甚至在会议结束之后依然没有踪影。论文中虽然给出了一个GitHub链接，但打开后却是一个空仓库——而且据他观察，这个仓库从头到尾都是空的。

更让人无奈的是，他尝试联系论文作者却得不到任何回应。用他自己的话说："坦白讲，我甚至不应该需要去联系他们，因为按规定这个数据集本来就必须发布。"

为什么数据集不公开是个严重问题？

表面上看，这似乎只是一个数据集"迟迟未上线"的小插曲，但深入分析，它触及了当前AI学术界一个日益严峻的核心问题——可复现性（Reproducibility）与学术诚信。

可复现性危机（Reproducibility Crisis）并非AI领域独有，它最早在心理学和生物医学领域被广泛讨论。2016年Nature的一项调查显示，超过70%的研究者曾尝试复现他人实验失败。在机器学习和计算机视觉领域，这一问题因模型训练的随机性、超参数敏感性以及大规模计算资源需求而更加严重。NeurIPS从2019年起引入了可复现性检查清单（Reproducibility Checklist），CVPR等会议随后跟进，要求作者在投稿时明确声明代码和数据的公开计划。然而，这些制度在执行层面仍存在明显漏洞。

数据集类论文的特殊性

在计算机视觉领域，以数据集为主要贡献的论文有着特殊的定位。这类论文的价值，几乎完全建立在数据集本身的可获取性之上。一篇提出新算法的论文，即便代码未公开，读者至少还能根据方法描述尝试复现；但一篇以数据集为核心贡献的论文，如果数据集不公开，那么它的贡献实质上等于零。

在计算机视觉的发展史中，高质量数据集往往扮演着比算法本身更为关键的角色。ImageNet数据集（2009年发布）催生了深度学习革命，COCO数据集成为目标检测和图像分割的标准benchmark，KITTI数据集推动了自动驾驶感知技术的进步。这些数据集之所以产生如此巨大的影响力，正是因为它们被完整公开，使全球研究者能够在统一的基准上进行公平比较和迭代改进。一个未公开的数据集，无论论文中的描述多么详细，都无法发挥这种催化作用。

换句话说，这篇论文占用了一个宝贵的CVPR接收名额，却没有为社区提供任何可用的资源。这对其他因名额限制而被拒的优秀工作而言，是一种不公平。

顶会的数据公开要求形同虚设？

包括CVPR在内的顶级会议，近年来都在强化对代码、数据公开的要求。许多会议在投稿时会要求作者填写"可复现性检查清单"，声明其数据和代码将会公开。这位研究者敏锐地指出了问题的关键："我认为在会议之前，缺乏对数据集是否真的会公开的适当核查。"

这暴露了一个流程漏洞——审稿和录用阶段，评审者往往基于作者的"承诺"来判断，而缺乏对承诺是否真正兑现的后续追踪机制。一个空的GitHub链接，在审稿时可以被解释为"代码整理中，接收后发布"，但接收后若无人监督，这个承诺就可能被永远搁置。

遇到论文数据集未公开，该如何投诉维权？

对于原帖作者提出的"该向谁投诉"这一实际问题，学术界其实存在一些可行的渠道，值得整理和分享。

第一步：联系会议程序委员会

CVPR由IEEE和CVF（Computer Vision Foundation）联合主办。最直接的途径是联系当届会议的程序主席（Program Chairs）。这些信息通常可以在会议官网找到。程序主席有权对违反投稿政策的论文进行调查。

第二步：诉诸出版方的学术诚信机制

CVPR论文最终由IEEE收录。IEEE设有专门的出版诚信（Publication Ethics）投诉渠道，处理包括数据不可获取、违反公开承诺在内的学术不端行为。此外，越来越多会议开始引入类似PubPeer这样的第三方论文评议平台，允许研究者公开质疑已发表论文。

PubPeer是一个创建于2012年的在线学术论文评议平台，允许任何研究者对已发表的论文进行匿名或实名评论和质疑。该平台在揭露学术不端方面发挥了重要作用，多起高影响力的学术造假案件（如图像篡改、数据造假）最初都是通过PubPeer上的社区举报被发现的。除PubPeer外，OpenReview（许多AI顶会的审稿平台）也提供了论文公开讨论的功能。这些平台代表了一种"去中心化学术监督"的趋势，弥补了传统同行评审仅在发表前进行的局限性。

第三步：保留完整证据链

无论走哪个渠道，关键都在于证据。原帖作者的做法其实很有参考价值——他记录了数据集未在会前、会中、会后发布的时间线，也保留了GitHub空仓库的状态。这些客观事实构成了投诉的坚实基础。

折射出的AI学术界深层焦虑

这起个案之所以引发共鸣，是因为它触碰了整个AI研究社区的集体焦虑。

近年来，随着AI领域论文数量的爆炸式增长，顶会的审稿压力空前巨大。在"发表或消亡"（Publish or Perish）的学术竞争压力下，部分研究者可能会用一个"承诺发布"的数据集来换取论文的接收，而实际发布的动力则大打折扣——尤其当数据集涉及隐私、版权或商业敏感信息时。

Publish or Perish（发表或消亡）是描述现代学术界职业压力的经典表述。在这一体系下，研究者的职位晋升、基金申请、学术声誉几乎完全取决于论文发表的数量和发表场所的档次。这种激励结构导致了一系列扭曲行为：论文拆分发表（salami slicing）、过度声明（overclaiming）、以及本文所讨论的虚假公开承诺。当一个数据集的"承诺发布"就足以帮助论文通过审稿，而实际发布却不影响已获得的学术收益时，理性行为者就有动机选择不发布——尤其当数据集的制作涉及大量人工标注成本、存在商业化潜力、或包含可能引发争议的内容时。

这提醒我们，学术界或许需要建立更刚性的验证机制：例如，要求数据集类论文在camera-ready阶段前必须提供可访问的托管链接（而非空仓库），或者引入发布后审计制度，对未兑现公开承诺的论文进行撤稿标记。

Camera-ready是学术出版流程中的关键节点，指的是论文被正式接收后、最终提交给出版方印刷或收录前的定稿阶段。在这一阶段，作者需要根据审稿意见进行最终修改，确认格式规范，并签署版权协议。对于要求代码和数据公开的会议，camera-ready阶段理论上是验证作者是否兑现公开承诺的最后关口。如果在这一阶段实施强制性的链接有效性检查——例如验证GitHub仓库是否包含实质性内容、数据托管平台是否可访问——就能有效防止空承诺论文进入最终出版流程。

结语：可复现性不应只是勾选项

一篇论文，一个空仓库，一场无人回应的邮件往来——这个看似微小的事件，实则是对整个学术共同体自律能力的一次拷问。可复现性不应只是投稿清单上的一个勾选项，而应是学术贡献的底线。

对于每一位遇到类似情况的研究者，勇于通过正规渠道发声，本身就是维护学术生态健康的重要一环。而对于会议主办方而言，如何将"发布承诺"从纸面落实到实处，将是未来必须直面的治理课题。