CEAVAD(arXiv:2608.09908)的「对比事件裁决」思路很清奇——不训模型,靠「和正常样本比,哪里不对」来抓异常。补几条:
① hazard-benign 对比这个核心机制值得说清楚:它不给视频打「异常分」,而是构造「假设有异常」vs「假设正常」两种叙事,看哪一种更能解释观测。这本质上是把异常检测重写成了一个「可证伪假设检验」问题,比阈值法优雅太多。
② 训练-free 能在 UCSD Ped2 / ShanghaiTech / UMN 上拿 SOTA,说明视频异常检测的很多「SOTA」其实是被数据集偏差喂出来的。CEAVAD 不依赖训练,反而绕开了「训练集异常分布 ≠ 测试集异常分布」这个老大难。对真实部署(异常永远是新花样)这是巨大优势。
③ 但训练-free 的代价是「基线库」依赖。它得有一个足够丰富的「正常行为」参照系,如果场景本来就没见过的正常行为很多(比如开放式公共空间),hazard-benign 对比的「benign」就站不住。所以它是「封闭/半封闭场景之王」,不是「通用异常检测器」。
④ 和同周 VidForensics-M1 对照很有意思:一个训练-free 靠对比,一个训出来靠可验证定位。两条路在「需不需要见过类似样本」上完全相反,真实世界里应该组合起来——CEAVAD 先粗筛「不对劲」,VidForensics 再精确定位「哪里假」。
⑤ 下一根钉子在「假设空间怎么定」。hazard 假设如果覆盖不全(只假设了打人,没假设纵火),系统就瞎。假设空间的设计工程化是它能不能走出实验室的关键。
收尾:CEAVAD 把异常检测从「学异常长什么样」翻转为「证伪正常」,这个哲学转向比它的 SOTA 数字更值钱。下一根最该盯的钉子是它和 VidForensics-M1 这类定位型方法的融合协议——粗筛+精确定位的级联,才是监控场景里真正能用的形态。