Vad-R1：基于感知到认知思维链的视频异常推理
计算机视觉与模式识别
2025-05-27 v1
摘要
多模态大语言模型（MLLMs）推理能力的最新进展证明了其在处理复杂视觉任务方面的有效性。然而，现有的基于 MLLM 的视频异常检测（VAD）方法仍局限于浅层的异常描述，缺乏深度推理。在本文中，我们提出了一项名为视频异常推理（VAR）的新任务，旨在通过要求 MLLM 在回答前进行显式思考，实现对视频中异常的深度分析和理解。为此，我们提出了 Vad-R1，一个用于 VAR 的端到端基于 MLLM 的框架。具体而言，我们设计了感知到认知思维链（P2C-CoT），模拟人类识别异常的过程，引导 MLLM 逐步推理异常。基于结构化的 P2C-CoT，我们构建了 Vad-Reasoning，一个专门用于 VAR 的数据集。此外，我们提出了一种改进的强化学习算法 AVA-GRPO，该算法通过带有有限标注的自验证机制，显式地激励 MLLM 的异常推理能力。实验结果表明，Vad-R1 取得了优越的性能，在 VAD 和 VAR 任务上均优于开源和专有模型。代码和数据集将发布于 https://github.com/wbfwonderful/Vad-R1。
引用
@article{arxiv.2505.19877,
title = {Vad-R1: Towards Video Anomaly Reasoning via Perception-to-Cognition Chain-of-Thought},
author = {Chao Huang and Benfeng Wang and Jie Wen and Chengliang Liu and Wei Wang and Li Shen and Xiaochun Cao},
journal= {arXiv preprint arXiv:2505.19877},
year = {2025}
}
备注
9 pages, 4 figures