來自北京大學(xué)，清華大學(xué)的研究團(tuán)隊(duì)聯(lián)手京東（JD.com）在 ACM MM 2025 發(fā)表了一種以事件為中心低成本高效的 Training-Free 視頻異常檢測框架 EventVAD，論文第一作者邵軼驊目前為北京大學(xué)學(xué)術(shù)訪問學(xué)生，項(xiàng)目負(fù)責(zé)人為來自京東（JD.com）的算法研究員馬傲，目前代碼和數(shù)據(jù)已全面開源。

現(xiàn)有視頻異常檢測（Video Anomaly Detection, VAD）方法中，有監(jiān)督方法依賴大量領(lǐng)域內(nèi)訓(xùn)練數(shù)據(jù)，對未見過的異常場景泛化能力薄弱；而無需訓(xùn)練的方法雖借助大語言模型（LLMs）的世界知識實(shí)現(xiàn)檢測，但存在細(xì)粒度視覺時(shí)序定位不足、事件理解不連貫、模型參數(shù)冗余等問題。

為此，來自北大、清華和京東（JD.com）的研究團(tuán)隊(duì)提出了一種全新的視頻異常檢測框架 ——EventVAD。該框架通過動(dòng)態(tài)圖架構(gòu)與多模態(tài)大模型（MLLMs）的時(shí)序事件推理結(jié)合，在減少模型參數(shù)的同時(shí)，顯著提升了異常檢測的精度和效率。實(shí)驗(yàn)結(jié)果顯示，EventVAD 在 UCF-Crime 和 XD-Violence 兩大數(shù)據(jù)集上均超越現(xiàn)有 SOTA 方法，成為無需訓(xùn)練場景下的新標(biāo)桿。

• 論文標(biāo)題：EventVAD: Training-Free Event-Aware Video Anomaly Detection
• 論文鏈接：https://arxiv.org/abs/2504.13092
• 代碼開源：https://github.com/YihuaJerry/EventVAD

研究背景和動(dòng)機(jī)

視頻異常檢測（VAD）的核心目標(biāo)是精準(zhǔn)定位視頻中的異常幀，但現(xiàn)有方法存在顯著局限：

有監(jiān)督方法依賴大量標(biāo)注數(shù)據(jù)，在新場景中需重新微調(diào)，泛化能力差；即使是單類監(jiān)督或無監(jiān)督方法，也因缺乏有效標(biāo)簽難以達(dá)到理想性能。無需訓(xùn)練方法以 LAVAD 為代表的方法通過視覺問答模型和 LLMs 評分實(shí)現(xiàn)異常定位，但存在兩大問題：一是依賴至少 130 億參數(shù)的 LLM，導(dǎo)致框架效率低下；二是缺乏對視頻的時(shí)序理解能力，難以連貫解析長視頻，易出現(xiàn)誤檢和長尾問題。

研究團(tuán)隊(duì)發(fā)現(xiàn)，無需訓(xùn)練方法的核心瓶頸在于無法對視頻中的異常事件進(jìn)行完整定位，導(dǎo)致后續(xù) LLM 評分存在偏差。受此啟發(fā)，如上圖所示，EventVAD 通過將長視頻分割為短事件片段，增強(qiáng) MLLMs 對視頻的時(shí)序一致性理解，同時(shí)引入動(dòng)態(tài)圖模型捕捉幀間關(guān)聯(lián)，最終在減少參數(shù)的情況下實(shí)現(xiàn)了更高精度的異常檢測。

EventVAD 的關(guān)鍵創(chuàng)新

EventVAD 的整體框架包含四個(gè)核心模塊：事件感知?jiǎng)討B(tài)圖構(gòu)建、圖注意力傳播、統(tǒng)計(jì)邊界檢測和事件中心異常評分。通過這一流程，實(shí)現(xiàn)了從視頻幀特征提取到異常幀精準(zhǔn)定位的端到端無需訓(xùn)練檢測。

事件感知?jiǎng)討B(tài)圖構(gòu)建

為捕捉視頻的動(dòng)態(tài)時(shí)序特征，EventVAD 構(gòu)建了融合語義與運(yùn)動(dòng)信息的動(dòng)態(tài)圖模型。結(jié)合 CLIP 的語義特征（512 維）和 RAFT 光流的運(yùn)動(dòng)特征（128 維），通過融合系數(shù)（α=0.75）平衡兩種特征，增強(qiáng)事件的時(shí)序一致性。通過語義相似度（余弦距離）和運(yùn)動(dòng)相似度（指數(shù)距離）計(jì)算幀間關(guān)聯(lián)，并引入時(shí)間衰減因子（γ）抑制長距離幀的冗余關(guān)聯(lián)，突出短時(shí)間內(nèi)的事件連貫性。

圖注意力傳播

為優(yōu)化幀級特征并保持時(shí)序一致性，EventVAD 設(shè)計(jì)了基于正交約束的圖注意力機(jī)制。通過 QR 分解生成正交的查詢（Q）、鍵（K）、值（V）矩陣，避免特征維度坍縮。基于動(dòng)態(tài)圖的鄰接矩陣計(jì)算注意力權(quán)重，通過迭代傳播更新節(jié)點(diǎn)特征，增強(qiáng)事件邊界的區(qū)分度。

統(tǒng)計(jì)邊界檢測

為精準(zhǔn)分割視頻中的事件邊界，EventVAD 采用了噪聲魯棒的統(tǒng)計(jì)方法。復(fù)合差異度量中，結(jié)合 L2 范數(shù)（特征幅度跳變）和余弦距離（方向變化），捕捉事件轉(zhuǎn)換的不連續(xù)性。通過 Savitzky-Golay 濾波平滑噪聲，計(jì)算信號比（局部與全局均值比），并基于中位數(shù)絕對偏差（MAD）設(shè)置動(dòng)態(tài)閾值，實(shí)現(xiàn)無監(jiān)督的事件邊界檢測。

事件中心異常評分

為提升 MLLMs 對視頻的理解效率，EventVAD 提出分層提示策略。將分割后的事件片段輸入 MLLMs，先生成視頻內(nèi)容描述，再基于描述輸出異常評分，形成 “自校正” 機(jī)制。相比傳統(tǒng)幀級分析或全局處理，事件級分析平衡了上下文完整性與特征精細(xì)度，減少長視頻分析中的誤差傳播。

實(shí)驗(yàn)驗(yàn)證

研究團(tuán)隊(duì)在 UCF-Crime 和 XD-Violence 兩大基準(zhǔn)數(shù)據(jù)集上對 EventVAD 進(jìn)行了全面評估，結(jié)果顯示其性能顯著優(yōu)于現(xiàn)有方法。

UCF-Crime 數(shù)據(jù)集上的結(jié)果

EventVAD 以 70 億參數(shù)實(shí)現(xiàn)了 82.03% 的 AUC，超越需 130 億參數(shù)的 LAVAD（提升近 4%），同時(shí)優(yōu)于所有無監(jiān)督、單類監(jiān)督方法，甚至超過部分弱監(jiān)督方法。

XD-Violence 數(shù)據(jù)集上的結(jié)果

使用 XD-Violence 數(shù)據(jù)集的結(jié)果中，在 AP 和 AUC 指標(biāo)上均比現(xiàn)有無需訓(xùn)練的 SOTA 方法（LAVAD）高出約 5%，驗(yàn)證了其在高分辨率場景下的適應(yīng)性。

可視化分析

圖注意力傳播可視化分析如下圖，選取 UCF-Crime 數(shù)據(jù)集中的異常和正常視頻樣本，對應(yīng)用圖注意力傳播前后的幀間關(guān)系進(jìn)行可視化。熱力圖展示了相應(yīng)幀區(qū)間內(nèi)幀與幀之間權(quán)重關(guān)系的變化。

統(tǒng)計(jì)邊界檢測可視化分析如下圖，以 UCF-Crime 數(shù)據(jù)集中的樣本為例，對異常視頻和正常視頻的邊界檢測過程進(jìn)行可視化。

消融實(shí)驗(yàn)

UCF-Crime 和 XD-Violence 數(shù)據(jù)集中正常樣本與異常樣本的可視化。對 LAVAD 未能正確檢測出異常的樣本進(jìn)行了可視化，下圖展示了事件分割結(jié)果以及多模態(tài)大語言模型（MLLM）的異常幀評分，并與真實(shí)標(biāo)簽進(jìn)行了對比。

總結(jié)與展望

EventVAD 作為首個(gè)以事件為中心的免訓(xùn)練視頻異常檢測模型，將推動(dòng)領(lǐng)域從幀級標(biāo)注到完整事件級標(biāo)注的演進(jìn)。它提供了完整的特征增強(qiáng)，事件劃分，異常評分的免真值異常檢測基礎(chǔ)，極大減少了人工標(biāo)注的成本和重新訓(xùn)練的開銷。未來，隨著視頻理解模型的星期，EventVAD 這類以事件為中心的視頻異常檢測范式將為視頻細(xì)粒度理解提供基礎(chǔ)。期待基于 EventVAD 涌現(xiàn)更多創(chuàng)新的算法，加速視頻幀級異常檢測的發(fā)展。