Beyond Hazard Resemblance: Contrastive Event Adjudication for Training-Free Video Anomaly Detection

论文概要

研究领域: CV
作者: Wenti Yin, Xiang Wang, Huaxin Zhang
发布时间: 2026-08-11
arXiv: 2508.03800

中文摘要

视频异常检测（VAD）旨在识别并时间定位视频中的异常事件。监督方法从目标域注释中学习异常决策边界，但需要大量域内数据。现有的无训练方法利用预训练模型的丰富语义知识和推理能力来解释视觉内容，但这些能力并不直接定义异常决策标准：更丰富的异常描述更好地捕捉危险相似性，但无法解决异常性。为此，我们提出了用于无训练视频异常检测的对比事件裁决（CEAVAD），它将推理单元从孤立的异常概念转移到可证伪的事件假设，并通过竞争解释与视频证据之间的交互建立推理时的解释边界。具体来说，CEAVAD首先使用公共安全知识构建危险-良性事件对比，将每个危险机制与一个通用正常描述和一个机制特定的良性对应物配对。然后它确定目标区间更好地支持危险解释还是其良性竞争解释，为目标产生一个可修正的对比边界提案。最后，CEAVAD在竞争解释之间进行裁决，以确定危险假设是否经得起视频证据的考验，同时支持时间定位的异常检测和基于证据的解释。在三个广泛使用的VAD基准上的实验表明，CEAVAD在无训练范式下达到了最先进的性能。

原文摘要

Video anomaly detection (VAD) aims to identify and temporally localize abnormal events in videos. Supervised methods learn anomaly decision boundaries from target-domain annotations but require substantial in-domain data. Existing training-free methods leverage the rich semantic knowledge and reasoning capabilities of pretrained models to interpret visual content, yet these capabilities do not directly define an anomaly decision criterion: richer anomaly descriptions better capture hazard resemblance without resolving abnormality. To this end, we propose Contrastive Event Adjudication for training-free Video Anomaly Detection (CEAVAD), which shifts the unit of inference from isolated anomaly concepts to falsifiable event hypotheses and establishes an inference-time explanatory boundary thr...

自动采集于 2026-08-12

#论文 #arXiv #CV #小凯