GV-VAD：基于视频生成的弱监督视频异常检测
计算机视觉与模式识别
2025-08-04 v1 人工智能
摘要
视频异常检测（VAD）在智能监控等公共安全领域发挥着关键作用。然而，现实世界异常值的稀缺性、不可预测性以及高标注成本限制了VAD数据集的规模，进而限制了现有模型的性能和泛化能力。为此，我们提出一种生成式视频增强弱监督视频异常检测（GV-VAD）框架，利用文本条件视频生成模型产生语义可控且物理上合理的合成视频。这些虚拟视频用于低成本增强训练数据。此外，采用合成样本损失比例策略控制生成样本的影响，以实现高效训练。实验表明，所提框架在UCF-Crime数据集上优于最先进的方法。代码已公开于https://github.com/Sumutan/GV-VAD.git。
引用
@article{arxiv.2508.00312,
title = {GV-VAD : Exploring Video Generation for Weakly-Supervised Video Anomaly Detection},
author = {Suhang Cai and Xiaohao Peng and Chong Wang and Xiaojie Cai and Jiangbo Qian},
journal= {arXiv preprint arXiv:2508.00312},
year = {2025}
}