論文の概要: Copy What Is Seen, Generate What Is Not: Training-Free Anomaly-Aware Video Restoration

• arxiv url: http://arxiv.org/abs/2609.18836v1
• Date: Wed, 16 Sep 2026 15:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.873471
• Title: Copy What Is Seen, Generate What Is Not: Training-Free Anomaly-Aware Video Restoration
• Title（参考訳）: 写真に写っているものをコピーする:訓練なしの異常なビデオ修復
• Abstract要約: Anomaly-aware Video Restorationは、クリップがコピーする証拠を提示しない場合にのみ、コンテンツを生成する。 バックグラウンドコンディショナーは、従来のバックグラウンドコンディショナーを信頼するかどうかをクリップ毎に決定する。
• 参考スコア（独自算出の注目度）: 4.103701929881021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A surveillance system that detects an anomaly often has to repair the footage as well, yet the two tasks are studied in isolation: training-free anomaly detectors stop at a score or a label, while training-free video editing answers to a user prompt rather than to a detector. This paper proposes AVR (Anomaly-aware Video Restoration), which closes that gap with frozen pretrained models alone and generates content only where the clip offers no evidence to copy. Motion evidence first gates open-vocabulary proposals into spatio-temporal masks. A background prior computed from the clip then fills every pixel the anomaly ever uncovers, leaving diffusion to synthesize only what no frame showed, and a frozen verifier decides per clip whether to trust a classical, a prior-anchored, or a background-conditioned restorer. Extensive experiments on three surveillance datasets, under both full-reference anomaly injection and real anomalies, show that AVR leads full-frame fidelity under oracle masks, matches three trained video inpainters inside the edited region, and outperforms a detect-then-generate pipeline on the masks it produces itself, while suppressing both the residual anomaly and the flicker of free diffusion.
• Abstract（参考訳）: 異常を検知する監視システムは、しばしば映像を修復する必要があるが、トレーニング不要な異常検知器はスコアまたはラベルに停止し、トレーニング不要なビデオ編集は検出器よりもユーザのプロンプトに応答する。 本稿では,AVR (Anomaly-aware Video Restoration) を提案する。 運動証拠 最初は開語彙の提案を時空間マスクにゲートする。 クリップから事前に計算された背景は、異常が発見されたすべてのピクセルを埋め、拡散はフレームが示していないものだけを合成するために残され、凍結された検証者は、古典的、前処理された、あるいはバックグラウンド条件の復元器を信頼するかをクリップ毎に決定する。 完全な参照異常注入と実際の異常の両方の下での3つの監視データセットの大規模な実験は、AVRがオラクルマスクの下でフルフレームの忠実さをリードし、編集された領域内の3つの訓練されたビデオインペイントと一致し、生成したマスクに検出された生成パイプラインを上回り、残りの異常とフリー拡散のフリックを抑制していることを示している。

関連論文リスト

• Flashback: Memory-Driven Zero-shot, Real-time Video Anomaly Detection [11.197888893266535]
  Flashbackはゼロショットおよびリアルタイムビデオ異常検出パラダイムである。 異常を即座に判断する人間の認知メカニズムにインスパイアされたFlashbackは、RecallとRespondの2つの段階で動作する。 推論時にすべてのLSMコールを削除することで、FlashbackはコンシューマグレードのGPU上でもリアルタイムのVADを提供する。
  論文  参考訳（メタデータ） (2025-05-21T07:32:29Z)
• 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)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Convolutional Transformer based Dual Discriminator Generative Adversarial Networks for Video Anomaly Detection [27.433162897608543]
  本稿では,CT-D2GAN(Conversaal Transformer based Dual Discriminator Generative Adrial Networks)を提案する。 これには、入力クリップの空間情報をキャプチャする畳み込みエンコーダ(convolutional encoder)と、時間的ダイナミクスをエンコードして将来のフレームを予測する時間的自己アテンションモジュール(temporal self-attention module)という3つのキーコンポーネントが含まれている。
  論文  参考訳（メタデータ） (2021-07-29T03:07:25Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• A Self-Reasoning Framework for Anomaly Detection Using Video-Level Labels [17.615297975503648]
  監視ビデオにおける異常事象の検出は、画像およびビデオ処理コミュニティの間で困難かつ実践的な研究課題である。 本稿では、ビデオレベルラベルのみを用いて自己推論方式で訓練されたディープニューラルネットワークに基づく、弱い教師付き異常検出フレームワークを提案する。 提案するフレームワークは,UCF-crimeやShanghaiTech,Ped2など,公開されている実世界の異常検出データセット上で評価されている。
  論文  参考訳（メタデータ） (2020-08-27T02:14:15Z)

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。