論文の概要: Is Video Anomaly Detection Misframed? Evidence from LLM-Based and Multi-Scene Models

• arxiv url: http://arxiv.org/abs/2605.12725v1
• Date: Tue, 12 May 2026 20:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.674484
• Title: Is Video Anomaly Detection Misframed? Evidence from LLM-Based and Multi-Scene Models
• Title（参考訳）: ビデオ異常検出はミスフレームか? LLMベース・マルチシーンモデルによる証拠
• Authors: Furkan Mumcu, Michael J. Jones, Anoop Cherian, Yasin Yilmaz,
• Abstract要約: ビデオ異常検出の研究は、様々な場面にまたがる正常性の一般的なモデルに重点を置いて、急速に拡大している。 この焦点は、通常の振る舞いのシーン固有の、文脈に依存した性質をモデル化することから遠ざかっている。 VADの有意義な進歩には, 単一シーン, 空間認識, 説明可能な定式化に新たな焦点をあてることが必要である。
• 参考スコア（独自算出の注目度）: 33.77002721234086
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent video anomaly detection research has expanded rapidly with an emphasis on general models of normality intended to work across many different scenes. While this focus has led to improvements in scalability and multi-scene generalization, it has also shifted the field away from modeling the scene-specific and context-dependent nature of normal behavior. Contemporary approaches frequently rely on video-level weak supervision and opaque pretrained representations from multi-modal large language models (MLLMs), which encourage models to respond to familiar semantic anomaly categories rather than to deviations from the normal patterns of a particular environment. This trend suppresses spatial localization, introduces semantic bias, and reduces anomaly detection to a form of action recognition. In this paper, we examine whether these prevailing formulations align with the core requirements of real-world VAD, which is typically performed within a single scene where normality is determined by local geometry, semantics, and activity patterns. Through targeted visual analyses and empirical evaluations, we demonstrate the practical consequences of these limitations and show that meaningful progress in VAD requires renewed focus on single-scene, spatially-aware, and explainable formulations that capture the nuanced structure of normality within individual environments.
• Abstract（参考訳）: 最近のビデオ異常検出研究は、様々な場面にまたがる正常性の一般的なモデルに重点を置いて急速に拡大している。 この焦点はスケーラビリティとマルチシーンの一般化の改善につながったが、通常の振る舞いのシーン固有のコンテキストに依存した性質をモデル化することから、分野を移した。 現代的アプローチでは、ビデオレベルの弱い監督とマルチモーダルな大規模言語モデル(MLLM)からの不透明な事前学習表現にしばしば依存しており、モデルが特定の環境の通常のパターンから逸脱することよりも、よく知られた意味的異常なカテゴリに応答することを奨励している。 この傾向は空間的局所化を抑制し、意味バイアスを導入し、異常検出をアクション認識の一形態に還元する。 本稿では,これらの定式化が,局所幾何学,意味論,行動パターンによって正規性が決定される単一シーンにおいて通常実行される実世界のVADの中核的要件に合致するかどうかを検討する。 対象とした視覚分析と経験的評価を通じて、これらの制限の実践的な結果を示し、VADにおける有意義な進歩には、個々の環境における正常性のニュアンス構造を捉えるための、一場面、空間的認識、説明可能な定式化に新たな焦点をあてることが必要であることを示す。

関連論文リスト

• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• RefineVAD: Semantic-Guided Feature Recalibration for Weakly Supervised Video Anomaly Detection [2.770730728142587]
  Weakly-Supervised Video Anomaly Detectionは、ビデオレベルのラベルのみを使用して異常なイベントを特定することを目的としている。 既存の手法は、全ての異常事象を単一のカテゴリとして扱うことで、しばしば異常空間を単純化する。 この二重プロセス推論を模倣する新しいフレームワークであるRefineVADを提案する。
  論文  参考訳（メタデータ） (2025-11-17T10:15:34Z)
• Learning to Tell Apart: Weakly Supervised Video Anomaly Detection via Disentangled Semantic Alignment [47.507511439028754]
  本稿では,不規則な特徴と正常な特徴を粗粒度と細粒度から明確に分離する,DSANet(Disentangled Semantic Alignment Network)を提案する。 粗粒度レベルでは,学習された正規プロトタイプの指導のもと,入力映像の特徴を再構成する自己誘導正規性モデリングブランチを導入する。 詳細なレベルでは、まず、各動画をイベント中心およびバックグラウンド中心のコンポーネントに分解する、分離されたコントラスト的セマンティックアライメント機構を示す。
  論文  参考訳（メタデータ） (2025-11-13T14:06:48Z)
• Action Hints: Semantic Typicality and Context Uniqueness for Generalizable Skeleton-based Video Anomaly Detection [39.65895515365808]
  動作の典型性や一意性学習を通じて骨格データの可能性を解き放つ新しいゼロショットビデオ異常検出フレームワークを提案する。 提案手法は,4つの大規模VADデータセット上でのスケルトンに基づく手法に対する最先端の結果を得る。
  論文  参考訳（メタデータ） (2025-09-14T02:51:32Z)
• CRCL: Causal Representation Consistency Learning for Anomaly Detection in Surveillance Videos [40.63347505454772]
  Video Anomaly Detection (VAD) は、ビデオ理解コミュニティの基本的な課題であり続けている。 従来の手法では、通常の時空間パターン固有の正規性を教師なしの方法でモデル化するために、簡単に収集された通常のイベントのみを使用する。 本研究では,教師なしビデオ正規化学習における因果変数の暗黙的なマイニングを行うために,因果一貫性表現学習(CRCL)を提案する。
  論文  参考訳（メタデータ） (2025-03-24T15:50:19Z)
• Video Anomaly Detection with Motion and Appearance Guided Patch Diffusion Model [15.67669626517481]
  本稿では,ビデオ異常検出のためのパッチベース拡散モデルを提案する。 モデルにシームレスに統合された革新的な動きと外観条件を導入する。 提案手法の有効性を裏付ける4つの挑戦的ビデオ異常検出データセットの実験結果を得た。
  論文  参考訳（メタデータ） (2024-12-12T07:42:50Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。