基于时空伪异常生成的视频异常检测：一种统一方法

视频异常检测（VAD）是一项开集识别任务，通常表述为一类分类（OCC）问题，其中训练数据由正常实例视频组成，而测试数据包含正常与异常实例。近期工作研究了仅使用正常数据创建伪异常（PA），并对真实世界异常在物体异常性与运动速度方面做出强假设，以在基于自编码器（AE）的重建模型训练期间注入异常先验信息。本工作提出一种新方法，通过利用预训练潜扩散模型修复图像中被掩码区域，并进一步使用mixup扰动光流以模拟数据中的时空畸变，从而生成通用时空伪异常。此外，我们提出一个简单统一框架，通过学习三类异常指标即重建质量、时间不规则性与语义不一致性，在OCC设定下检测真实世界异常。在Ped2、Avenue、ShanghaiTech与UBnormal四个VAD基准数据集上的大量实验表明，我们的方法在OCC设定下与其他现有最先进PA生成及基于重建的方法表现相当。我们的分析还考察了PA在这些数据集间的可迁移性与泛化性，通过PA识别真实世界异常提供了有价值的见解。