論文の概要: AgenticVAU: Multi-Agent Explore-Verify Reasoning for Video Anomaly Understanding
- arxiv url: http://arxiv.org/abs/2608.03779v1
- Date: Tue, 04 Aug 2026 15:01:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.261943
- Title: AgenticVAU: Multi-Agent Explore-Verify Reasoning for Video Anomaly Understanding
- Title（参考訳）: AgenticVAU: ビデオ異常理解のためのマルチエージェント探索検証推論
- Abstract要約: 本稿では,ビデオ異常理解のためのトレーニング不要なマルチエージェントフレームワークであるAgenticVAUを提案する。
視覚ルールの構築、探索計画、ビデオ観察、最終決定を扱うために、4つの特殊エージェントが導入された。
エージェントVAUは、十分な証拠が収集されるまで、広範囲の時間探査、密集した局所的検証、および相互比較をインターリーブする。
- 参考スコア（独自算出の注目度）: 14.12320671130862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video anomaly understanding (VAU) focuses on comprehensively interpreting abnormal events in videos, requiring models to identify anomalous occurrences, discover their supporting evidence, and explain the underlying causes beyond simple anomaly detection. Existing VAU methods often rely on specialized training or limited observations, restricting generalization or evidence coverage. Although single-agent alternatives support adaptive video observation, they still integrate exploration, observation, and decision-making within a unified reasoning process, offering limited role specialization and structured evidence coordination. To address these limitations, we present AgenticVAU, a training-free multi-agent framework that casts VAU as an explore--verify process, where the system first discovers potential anomalies and then verifies them through targeted observations. To achieve this, four specialized agents are introduced to handle visual-rule construction, search planning, video observation, and final decision, respectively. These agents communicate through an anchor registry, a shared evidence memory that binds each observation. Guided by this agent framework, AgenticVAU interleaves broad temporal exploration, dense local verification, and cross-interval comparison until sufficient evidence is collected. We conduct extensive experiments on the ECVA, UCF-Crime, and MSAD subsets of VAU-Bench, the results show that AgenticVAU outperforms zero-shot inference and reinforcement learning-based baselines, demonstrating the value of multi-agent collaboration for video anomaly understanding.
- Abstract（参考訳）: ビデオ異常理解(VAU)は、ビデオにおける異常事象の包括的解釈、異常発生の同定、証拠の発見、および単純な異常検出以上の原因を説明することを目的としている。
既存のVAU法は、しばしば専門的な訓練や限定的な観察に頼り、一般化や証拠のカバレッジを制限する。
単一エージェントの代替手段は適応的なビデオ観察をサポートするが、それでも探索、観察、意思決定を統一された推論プロセスに統合し、限られた役割の専門化と構造化された証拠調整を提供する。
このような制限に対処するため、AgenticVAUは、VAUを探索検証プロセスとしてキャストする、トレーニング不要なマルチエージェントフレームワークである。
これを実現するために,視覚ルール構築,探索計画,映像観察,最終決定の4つの特殊エージェントが導入された。
これらのエージェントは、各観測をバインドする共有エビデンスメモリであるアンカーレジストリを介して通信する。
このエージェントフレームワークによってガイドされたAgenticVAUは、十分な証拠が収集されるまで、広範囲の時間探査、密集した局所的検証、および相互比較をインターリーブする。
VAU-BenchのECVA,UCF-Crime,MSADサブセットについて広範な実験を行った結果,AgenticVAUはゼロショット推論や強化学習に基づくベースラインよりも優れており,ビデオ異常理解におけるマルチエージェント協調の価値が示された。
関連論文リスト
- Beyond Hazard Resemblance: Contrastive Event Adjudication for Training-Free Video Anomaly Detection [42.523544959534746]
トレーニング不要なビデオ異常検出(CEAVAD)のためのコントラスト事象適応法を提案する。
CEAVADは、推論の単位を孤立した異常概念から偽装可能な事象仮説へとシフトさせる。
3つの広く使われているVADベンチマークの実験は、CEAVADがトレーニングフリーパラダイムの下で最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-08-10T17:52:51Z) - Glance, Scrutinize, and Think: Advancing Video Anomaly Detection from Training-Free to Agentic Reasoning [27.676141768874732]
ビデオ異常検出(VAD)は、異常事象を特定し、時間間隔をローカライズすることを目的としている。
従来の手法は異常が発生した時に局所化するが、意味的な理解が欠如している。
Glance then Scrutinize (GtS) は静的および動的テキストガイダンスを用いたトレーニング不要のフレームワークである。
実験の結果、GtSはトレーニング不要のベースラインを大幅に超え、エージェントモデルは高い精度と高速な推論を提供することがわかった。
論文 参考訳（メタデータ） (2026-08-07T17:07:49Z) - Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。
不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。
AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-07-15T14:30:20Z) - Structured Evidence Selection for Weakly Supervised Video Anomaly Detection [24.113971346791942]
弱い教師付きビデオ異常検出は、トレーニングのためにビデオレベルのラベルにのみ依存する。
構造的推論プロセスとして異常検出を再構成する構造的証拠選択フレームワーク(SESAD)を提案する。
SESADは、クリップ表現を意味的に構造化された候補エビデンスに再編成し、シーンとアクションの制約の下でコンテキスト条件の選択を行う。
論文 参考訳（メタデータ） (2026-07-11T13:01:01Z) - RT-SDGOD: Real-Time Single-Domain Generalized Object Detection [29.73970506841414]
リアルタイムの制約の下では、気象や画像の変動は大きな分布シフトを引き起こし、検出器を著しく劣化させる。
RT-SDGOD(Real-Time Single-Domain Generalized Object Detection)を導入する。
提案手法は,複数の未確認対象領域にまたがる既存手法よりも優れた一般化性能を実現する。
論文 参考訳（メタデータ） (2026-06-08T11:39:18Z) - Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。
既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。
そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-17T02:15:59Z) - 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) - Advancing Adaptive Multi-Stage Video Anomaly Reasoning: A Benchmark Dataset and Method [96.63801368613177]
本稿では,記述的理解から構造化多段階推論への映像異常解析を向上するタスクを提案する。
我々は8,641本のビデオからなる新しいデータセットを提示し、合計5万本以上のサンプルを作成し、ビデオ異常理解のための最大のデータセットの1つである。
提案したタスクとデータセットに基づいて,適応的階層的推論とリスク認識意思決定をサポートする,Vad-R1-Plusと呼ばれるエンドツーエンドのMLLMベースのVARモデルを開発する。
論文 参考訳（メタデータ） (2026-01-15T08:09:04Z) - Unlocking Vision-Language Models for Video Anomaly Detection via Fine-Grained Prompting [17.850029260662648]
本稿では,ビデオ異常検出のための構造化プロンプトフレームワークであるASK-Hintを提案する。
提案手法は, セマンティック・コヒーレントなグループにプロンプトを整理し, きめ細かい案内質問を定式化する。
UCF-CrimeとXD-Violenceの実験では、ASK-Hintは以前のベースラインよりも一貫してAUCを改善している。
論文 参考訳（メタデータ） (2025-10-02T16:06:31Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳（メタデータ） (2023-11-13T02:54:17Z) - Generalized Video Anomaly Event Detection: Systematic Taxonomy and
Comparison of Deep Models [33.43062232461652]
ビデオ異常検出(VAD)は、インテリジェント監視システムにおいて重要な技術である。
本調査は,GA(Generalized Video Anomaly Event Detection, GVAED)と呼ばれる幅広いスペクトルを含む,教師なしの手法を超えて,従来のVODの範囲を拡張した。
論文 参考訳（メタデータ） (2023-02-10T07:11:37Z) - Weakly-Supervised Spatio-Temporal Anomaly Detection in Surveillance
Video [128.41392860714635]
Weakly-Supervised Snoma-Temporally Detection (WSSTAD) を監視ビデオに導入する。
WSSTADは異常事象を封止する時空間管(すなわち連続する境界ボックスのシーケンス)をローカライズすることを目的としている。
本稿では,空間的・時間的領域に複数粒度を持つ入力提案を行うデュアルブランチネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-09T06:11:14Z)
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。