Fugu-MT 論文翻訳(概要): NOVA: Normal-Side Modeling for Training-Free Zero-Shot Video Anomaly Detection

論文の概要: NOVA: Normal-Side Modeling for Training-Free Zero-Shot Video Anomaly Detection

arxiv url: http://arxiv.org/abs/2609.06360v1
Date: Sun, 06 Sep 2026 03:33:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-12 05:53:53.279949
Title: NOVA: Normal-Side Modeling for Training-Free Zero-Shot Video Anomaly Detection
Title（参考訳）: NOVA: 訓練不要ゼロショットビデオ異常検出のための正規側モデリング
Abstract要約: 訓練なしゼロショットビデオ異常検出(ZS-VAD)は、視覚言語モデル(VLM)を利用して、ビデオを提供することなく、異常なインスタンスをローカライズする。既存のCLIPベースのメソッドは、しばしば異常側セマンティクスを強調するが、競合する正規性側は慎重に定式化されていない。言語レベルと視覚レベルの両方で正常な側面を強化する訓練不要なZS-VADフレームワークであるNOVAを提案する。
参考スコア（独自算出の注目度）: 9.850746320085085
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Training-free zero-shot video anomaly detection (ZS-VAD) leverages vision-language models (VLMs) to localize anomaly instances from a predefined anomaly vocabulary, without providing any video. Existing CLIP-based methods often emphasize anomaly-side semantics, while the competing normality side remains less carefully formulated. We identify two key limitations in existing solutions: (i) blurred decision boundary: normal prompts may contain ambiguous verbs, such as running, that are semantically close to anomalies, reducing normal and abnormal separation in the VLM embedding space; and (ii) modality gap: poor alignment between features of textual normal anchors and visual frames. We propose NOVA, a training-free ZS-VAD framework that strengthens the normal side at both linguistic and visual levels. NOVA introduces Normality-Aware Prompt Construction (NA), which excludes anomaly-adjacent verbs and biases normal descriptions toward static, low-motion scenes. To overcome the text-vision modality gap, NOVA constructs a Visual Normality Anchor (VNA), which creates a weighted visual normal anchor from the initial frames of each test video, providing a video-specific normal reference without task-specific training or annotations. NOVA achieves 89.86 percent AUC on UCF-Crime and 95.07 percent AUC and 84.82 percent AP on XD-Violence, reaching state-of-the-art performance among comparable training-free zero-shot methods.
Abstract（参考訳）: 訓練なしゼロショットビデオ異常検出(ZS-VAD)は、視覚言語モデル(VLM)を利用して、ビデオを提供することなく、予め定義された異常語彙から異常なインスタンスをローカライズする。既存のCLIPベースのメソッドは、しばしば異常側セマンティクスを強調するが、競合する正規性側は慎重に定式化されていない。既存のソリューションには2つの重要な制限がある。 (i)曖昧な決定境界:通常のプロンプトは、意味的に異常に近いランニングのような曖昧な動詞を含むことができ、VLM埋め込み空間における正常および異常な分離を減少させる。 (ii)モダリティギャップ:テキスト正規アンカーの特徴と視覚的フレームの整合性が悪い。言語レベルと視覚レベルの両方で正常な側面を強化する訓練不要なZS-VADフレームワークであるNOVAを提案する。 NOVAは正規性認識プロンプト構築(NA)を導入し、これは異常な隣接動詞を除外し、静的で低モーションのシーンに対して通常の記述をバイアスする。テキストビジョンのモダリティギャップを克服するため、NOVAは、各テストビデオの初期フレームから重み付けされた視覚的正規アンカーを生成するVisual Normality Anchor (VNA)を構築する。 NOVAはUCF-Crimeで89.86パーセントのAUC、95.07パーセントのAUC、そしてXD-Violenceで84.82パーセントのAPを達成した。

関連論文リスト

Probe-VAD: Ordinal Likelihood Probing for Training-Free Video Anomaly Detection [34.268676888953046]
ビデオ異常検出(VAD)は、未トリミングビデオ中の異常事象をローカライズすることを目的としている。既存のアプローチでは、視覚的理解と異常スコアリングの間に制限的なインターフェースが課されている。凍結したVLMから重度の好みを直接探索する順序付きバイナリ・プロブリング・フレームワークである textbfProbe-VAD を提案する。
論文参考訳（メタデータ） (2026-09-15T13:59:47Z)
Context-structured Video Anomaly Detection with Large Vision-Language Models [30.02492464154922]
CSI-VADは、様々な文脈で異常な事象を検知する、トレーニング不要なビデオ異常検出装置である。キーとなるアイデアは、各ビデオを3つの異なるコンテキスト(環境、オブジェクト、時間)に分解し、別々のブランチでコンテキスト固有の推論を実行することである。 UCF-CrimeとUBnormalの実験により、CSI-VADは直観的ベースラインよりも一貫して改善されていることが示されている。
論文参考訳（メタデータ） (2026-07-21T13:08:14Z)
CoReVAD: A Contextual Reasoning Framework for Training-Free Video Anomaly Detection [0.14323566945483493]
CoReVADは、トレーニング不要なビデオ異常検出のためのコンテキスト推論フレームワークである。生成出力のノイズを軽減するために,ローカル応答クリーニング(LRC)モジュールを導入する。 UCF-CrimeとXD-Violenceの実験は、CoReVADがトレーニング不要の手法間の競争性能を達成することを示した。
論文参考訳（メタデータ） (2026-05-22T00:32:46Z)
SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
論文参考訳（メタデータ） (2026-05-08T16:57:38Z)
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)
DevPrompt: Deviation-Based Prompt Learning for One-Normal ShotImage Anomaly Detection [0.0]
FNSAD (Few-normal shot anomaly detection) は、画像内の異常領域を検出することを目的としている。最近のアプローチでは、CLIPのような視覚言語モデルとプロンプトベースの学習を利用して、画像とテキストの特徴を整合させる。本稿では,視覚言語モデルのセマンティックパワーと,偏差に基づくスコアリングの統計的信頼性を統合した偏差誘導型即時学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-21T20:35:51Z)
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)
Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
論文参考訳（メタデータ） (2024-10-14T08:41:31Z)
Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2024-08-12T03:31:29Z)
Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [16.77262005540559]
イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。提案手法はAPやAUCといった最先端の手法よりも優れている。
論文参考訳（メタデータ） (2024-03-02T10:42:47Z)
BatchNorm-based Weakly Supervised Video Anomaly Detection [117.11382325721016]
弱教師付きビデオ異常検出では、異常事象の時間的特徴は、しばしば異常な特性を示す。本稿では,BatchNormをWVADに組み込んだBN-WVADを提案する。提案したBN-WVADモデルでは、UCF-CrimeのAUCは87.24%、XD-Violenceは84.93%に達する。
論文参考訳（メタデータ） (2023-11-26T17:47:57Z)
Video Abnormal Event Detection by Learning to Complete Visual Cloze Tests [50.1446994599891]
ビデオ異常事象(VAD)は、大まかにラベル付けされた通常のビデオでのみ学習を必要とする、重要な半教師付きタスクである。本稿では,視覚的クローゼテスト(VCT)の完了を学習することで,視覚的クローゼ(VCC)という新しいアプローチを提案する。我々はVCCが最先端のVAD性能を達成することを示す。
論文参考訳（メタデータ） (2021-08-05T04:05:36Z)

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。