論文の概要: MoG-VLM: Efficient Video Anomaly Detection through Motion-Guided Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.31478v1
• Date: Thu, 22 Oct 2026 16:03:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.469832
• Title: MoG-VLM: Efficient Video Anomaly Detection through Motion-Guided Vision-Language Models
• Title（参考訳）: MoG-VLM:モーションガイド型視覚言語モデルによる効率的なビデオ異常検出
• Abstract要約: MoG-VLMはモーション適応型異常検出フレームワークである。 本稿では,情報領域に集中してコンテンツ認識サンプリングを行うTGMについて紹介する。 4つのベンチマークで、XD-Violence, UCF-Crime, MSAD, ShanghaiTech上で91.91%、84.30%、87.88%、78.96%のAUC-ROCを達成した。
• 参考スコア（独自算出の注目度）: 32.56479406653528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language Models (VLMs) have shown strong potential for video anomaly detection, but dense frame-level inference makes them impractical for real-time deployment. Existing acceleration commonly relies on uniform sampling, which ignores content dynamics and can either waste computation on static segments or miss localized anomalies. We propose MoG-VLM a motion-adaptive anomaly detection framework that leverages motion purely as a lightweight control signal to decide when VLM inference is necessary. To this end, we introduce Temporal Gradient Magnitude (TGM) which performs content-aware sampling to concentrate computation on informative regions while avoiding redundant processing. We further introduce a hierarchical dual-stream design in which dense multi-frame VLM reasoning is activated only around frames with elevated anomaly likelihood, via anchor-triggered context-window expansion with early termination. A fusion module then reconciles these instantaneous semantic cues with temporal action dynamics. Across four benchmarks, our method achieves 91.91%, 84.30%, 87.88%, and 78.96% AUC-ROC on XD-Violence, UCF-Crime, MSAD, and ShanghaiTech, respectively, establishing new state of the art on three benchmarks under the zero-shot, training-free setting. On XD-Violence, we improve over the previous best result by +0.57% while delivering a 1.31x inference speedup. These results demonstrate that content-aware allocation of VLM capacity, processing fewer frames more intelligently rather than all frames uniformly, is a more effective axis of progress than uniformly densifying VLM inference across frames. Code is available on GitHub: https://github.com/kdawoud91/MoG-VLM.
• Abstract（参考訳）: VLM(Vision-Language Models)は、ビデオ異常検出の強力な可能性を示しているが、フレームレベルの密度の高い推論により、リアルタイムなデプロイには実用的ではない。 既存のアクセラレーションは、コンテンツのダイナミクスを無視し、静的セグメントでの計算を無駄にしたり、局所的な異常を見逃したりする、一様サンプリングに依存している。 本稿では、動きを純粋に軽量な制御信号として活用し、VLMの推論が必要なタイミングを決定する動き適応型異常検出フレームワークであるMoG-VLMを提案する。 この目的のために、冗長処理を回避しつつ、情報領域に計算を集中させるコンテンツ認識サンプリングを行うTGM(Temporal Gradient Magnitude)を導入する。 さらに,重度多フレームVLM推論を,初期終了を伴うアンカートリガー付きコンテキストウインドウ展開によって,高い異常確率を有するフレームのみに作用させる階層的デュアルストリーム設計を導入する。 融合モジュールは、これらの瞬間的なセマンティックキューを時間的作用ダイナミクスと照合する。 4つのベンチマークでそれぞれ91.91%,84.30%,87.88%,78.96%のAUC-ROCが得られた。 XD-Violenceでは、従来よりも0.57%向上し、1.31倍の推論スピードアップを実現しています。 これらの結果は、VLMのキャパシティのコンテントアウェアアロケーションは、フレーム全体のVLM推論を均一に密度づけするよりも、フレーム全体を一様ではなく、よりインテリジェントに処理できる。 コードはGitHubで入手できる: https://github.com/kdawoud91/MoG-VLM。

関連論文リスト

• Mage-VL: An Efficient Codec-Native Streaming Multimodal Foundation Model [60.85752511708308]
  本稿では,リアルタイムマルチモーダル理解とインタラクションのための効率的なストリーミング基盤モデルであるMage-VLを提案する。 その中核として、我々のカスタムトークンであるMage-ViTは、動的エントロピーリッチな領域を選択的に符号化することで、一様フレームサンプリングを置き換える。 我々は、キャプションとAI駆動のパフォーマンス診断のためのプロンプトコード共同最適化を含むAI4AIデータパイプラインを確立する。
  論文  参考訳（メタデータ） (2026-07-27T17:59:53Z)
• Fast-dVLM: Efficient Block-Diffusion VLM via Direct Conversion from Autoregressive VLM [58.322826487307765]
  我々は,KV-cache互換並列デコードと推測ブロックデコードが可能なブロック拡散型VLMであるFast-dVLMを提案する。 SGLangの統合とFP8量子化により、Fast-dVLMはARベースライン上でのエンドツーエンドの推論速度を6倍以上に向上する。
  論文  参考訳（メタデータ） (2026-04-08T08:50:08Z)
• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• Temporal Realism Evaluation of Generated Videos Using Compressed-Domain Motion Vectors [8.077437139445603]
  圧縮ビデオストリームから直接抽出した動きベクトル(MV)を用いて時間的行動を評価するスケーラブルなモデルAフレームワークを提案する。 Kullback-Leibler, Jensen-Shannon, Wassersteinの2つの相違点を実ビデオと生成ビデオのMV統計量で計算することで現実性を定量化する。
  論文  参考訳（メタデータ） (2025-11-17T20:47:06Z)
• MiVID: Multi-Strategic Self-Supervision for Video Frame Interpolation using Diffusion Model [2.9795035162522194]
  この記事では、ビデオレンダリングのための軽量で自己監督型の拡散ベースのフレームワークであるMiVIDを紹介する。 本モデルでは,3次元U-Netバックボーンとトランスフォーマスタイルの時間的注意を組み合わせることで,明示的な動き推定の必要性を解消する。 この結果から,MiVIDは50エポックしか得られず,教師付きベースラインと競合することがわかった。
  論文  参考訳（メタデータ） (2025-11-08T14:10:04Z)
• LOVE-R1: Advancing Long Video Understanding with an Adaptive Zoom-in Mechanism via Multi-Step Reasoning [73.90466023069125]
  ビデオクリップに適応的にズームイン可能なモデルであるLOVE-R1を提案する。 モデルはまず、密度の高いサンプルフレームが提供されるが、小さな解像度で提供される。 空間的詳細が必要な場合、大きなフレーム解像度で興味のあるクリップを拡大することができる。
  論文  参考訳（メタデータ） (2025-09-29T13:43:55Z)
• BOLT: Boost Large Vision-Language Model Without Training for Long-form Video Understanding [51.49345400300556]
  大規模ビデオ言語モデル (VLM) は様々なビデオ理解タスクにおいて有望な進歩を示した。 均一なフレームサンプリングのような伝統的なアプローチは、必然的に無関係なコンテンツにリソースを割り当てる。 本稿では,フレーム選択戦略の総合的研究を通じて,付加的なトレーニングを伴わずに大規模VLMをブーストする方法であるBOLTを紹介する。
  論文  参考訳（メタデータ） (2025-03-27T13:18:40Z)
• Implicit Motion-Compensated Network for Unsupervised Video Object Segmentation [25.41427065435164]
  教師なしビデオオブジェクトセグメンテーション(UVOS)は、ビデオシーケンスの背景から一次前景オブジェクトを自動的に分離することを目的としている。 既存のUVOS手法では、視覚的に類似した環境(外観ベース)がある場合や、動的背景と不正確な流れ(フローベース)のために予測品質の劣化に悩まされている場合、堅牢性を欠いている。 本稿では,隣接するフレームから特徴レベルにおける現在のフレームへの一致した動き情報と相補的キュー(textiti.e.$, appearance and motion)を組み合わせた暗黙的動き補償ネットワーク(IMCNet)を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:03:59Z)

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。