Proofig AI 突破学科壁垒：新增图表、图表与图形检测能力
背景：图像完整性检测的“盲区”正在扩大
长期以来，自动化图像完整性筛查工具主要局限于生命科学领域，专注于检测印迹（blots）、凝胶（gels）、流式细胞术（FACS）及显微镜面板。然而，在计算机科学、经济学、工程及数据密集型领域，承载科学主张的关键证据通常是复杂的图表、统计图或示意图。
随着 AI 生成图像技术的日益精进，这些领域的图像剽窃与伪造风险正急剧上升，但现有的自动化筛查手段却难以触及。Proofig 指出，这一检测空白正随着对学术诚信审查要求的提高而变得愈发危险。
核心突破：从“整图”到“面板”的精准检测
此次更新标志着 Proofig AI 成为首个能够检测图表、图表、示意图及统计图重复性的图像完整性平台。其技术突破主要体现在以下方面：
- 多模态图形识别：系统不再局限于全图级别的比对，而是下沉至单个视觉面板（individual visual-panel level）。这意味着即使在一个复合图中，某个子图表被重复使用（仅修改了标签或周围面板），也能被系统精准识别。
- 跨文献比对：检测范围覆盖了单一提交物内部，以及针对开放获取文献库的跨文献比对，有效捕捉隐蔽的重复使用行为。
- 行业最大数据库：依托包含 1.55 亿+ 张图像 的 PubMed Open Source 语料库，构建了行业内规模最大的图像剽窃数据库。庞大的数据底座显著提升了面板级检测的准确率，减少了误报（False Positives）。
应用价值：全场景覆盖，重塑学术生态
此次升级不仅扩展了技术边界，更直接回应了出版商、机构及研究人员在数据密集型领域的迫切需求：
- 对于出版商：数据类期刊和定量领域期刊获得了适配其实际图表类型的筛查层，无需引入额外工具即可覆盖更多学科。
- 对于机构：跨学科完整性项目得以扩展，无需为不同学科单独采购工具，实现了统一标准的学术监督。
- 对于研究人员：在提交前即可发现视觉重复和图像完整性风险，这是成本最低、干扰最小的纠错时机。
此外，本次发布还优化了 AI 生成图像检测模型，进一步降低了误报率；并增强了配置文件支持，使其能处理更大型的手稿和多上传工作流，提升了高吞吐量团队的审查效率。
"图像完整性始终是一个动态目标，证据形式不断变化，伪造手段日益复杂。此次更新反映了行业挑战的演进方向：覆盖更多学科、更多图表类型，以及更完整的出版工作流。" —— Proofig 官方团队
通过这一里程碑式的更新，Proofig AI 正致力于消除学术诚信审查中的最后一块拼图，确保数据密集型领域的研究成果经得起 scrutiny。
