伪异常是所需之物：基于扩散的弱监督视频异常检测
计算机视觉与模式识别
2025-12-09 v1
摘要
实际部署视频异常检测受限于真实异常 footage 的稀缺与收集成本。我们通过不使用任何真实异常视频进行训练，却在标准弱监督划分下进行评估，提出了 PA-VAD，这是一种受生成驱动的方法，利用合成的伪异常视频与真实正常视频配对训练检测器，只需少量真实正常图像即可驱动合成。对于合成过程，我们选取与类别相关的初始图像并通过视觉语言模型优化文本提示以提升保真度和场景一致性，再调用视频扩散模型。对于训练，我们通过一种域对齐正则化模块来缓解合成异常在时空上的过度幅度，该模块结合了域对齐与记忆使用感知更新。广泛实验表明，我们的方法在 ShanghaiTech 上达到 98.2%，在 UCF-Crime 上达到 82.5%，超越 ShanghaiTech 上最强的真实异常方法提升 +0.6%，在 UCF-Crime 上对 UVAD 的状态最佳方法提升 +1.9%。这些结果表明，无需收集真实异常即可获得高精度异常检测，为可扩展部署提供了实际路径。
引用
@article{arxiv.2512.06845,
title = {Pseudo Anomalies Are All You Need: Diffusion-Based Generation for Weakly-Supervised Video Anomaly Detection},
author = {Satoshi Hashimoto and Hitoshi Nishimura and Yanan Wang and Mori Kurokawa},
journal= {arXiv preprint arXiv:2512.06845},
year = {2025}
}