ICLR 2026 | 什么是异常？中传团队定义视频检测新范式，AI资讯全解析

type

status

date

slug

summary

引言

在人工智能飞速发展的今天，视频异常检测（Video Anomaly Detection, VAD）作为智能监控、智慧交通和网络审核的核心技术，正面临着前所未有的挑战。传统的检测方法往往将“异常”视为一种固定的、静态的属性，但在复杂的现实世界中，异常的定义往往是动态变化的。近日，中国传媒大学媒体融合与传播国家重点实验室的吴晓雨教授团队在 ICLR 2026 上发表了突破性论文，提出了全新的开放世界视频异常检测范式。这一研究不仅重新定义了“异常”，更为 AI 资讯领域带来了关于视觉理解的深度思考。

重新定义“异常”：从静态属性到动态概念

在以往的研究中，视频异常检测通常采用“封闭集合”或“开放集合”的方法。这些方法假设某些行为（如奔跑、吸烟）在任何场景下都是异常或正常的。然而，现实并非如此：

场景敏感性：吸烟在加油站是极度危险的异常，但在指定的吸烟区则是正常行为。

时间敏感性：在流感大流行期间，不戴口罩可能被视为异常，而在普通时期则是个人自由。

需求敏感性：在图书馆奔跑是异常，但在体育场则是常态。

中传团队敏锐地意识到，异常性并非事件本身的固有属性，而是由视频内容与用户定义共同决定的。这种认知的转变，标志着 VAD 领域从“特征匹配”向“语义理解”的跨越。

LaGoVAD：语言引导的开放世界检测新架构

针对动态定义的需求，研究团队提出了 LaGoVAD 模型。该模型的核心思想是“视频与异常定义联合建模”。

在数学模型上，传统方法追求的是 $P(Y|V)$（即给定视频 $V$ 得到标签 $Y$），而 LaGoVAD 引入了变量 $Z$（异常定义），旨在学习 $P(Y|V, Z)$。通过添加文本支路，LaGoVAD 允许用户使用自然语言直接定义什么是异常。这意味着，只要用户改变了描述文字，模型的检测逻辑就会随之调整，极大地增强了模型在开放世界中的适应能力。这对于关注 LLM 和 大模型 应用的开发者来说，提供了一个极佳的跨模态融合范例。

攻克过拟合：困难负样本挖掘与伪标签合成

建模更复杂的多模态空间 $P(V, Z, Y)$ 带来了巨大的挑战，尤其是 VAD 领域长期存在的数据稀缺和标签粗糙问题。为了防止模型过拟合，LaGoVAD 引入了两大核心技术手段：

困难负样本挖掘：从仅有弱标签的数据中，通过算法识别出与异常片段视觉特征极度接近的正常片段。这种方法显著增强了模型对异常与正常帧之间微小边界的判别能力。

语义向量检索与长视频合成：利用语义检索技术动态合成带有伪标签的长视频，从而丰富了异常时间段的分布。这一手段有效缓解了模型对异常事件长度的偏见，提升了样本的多样性。

这些技术细节展示了当前 人工智能 领域在处理小样本、弱监督学习任务时的最新思路，对于寻求 AI变现 和技术落地的企业具有重要的参考价值。

PreVAD：迄今最大规模预训练视频异常数据集

高质量的数据是 大模型 成功的基石。中传团队通过结合多个基础模型与自动化标注流程，构建并开源了 PreVAD 数据集。

规模宏大：包含 35K 段高质量视频数据。

多层级标注：不仅有类别标签，还包含详细的异常文本描述。

高质量：通过自动化流程确保了标注的精准度。

目前，该数据集已在 Modelscope 平台开源。这为全球的 AI 研究者提供了一个宝贵的“练兵场”，也进一步推动了 AGI 在视觉感知层面的进化。

实验结果：跨域泛化与零样本评估的突破

LaGoVAD 在 7 个主流数据集（如 UCF-Crime, XD-Violence, DoTA 等）上进行了广泛测试。实验结果令人振奋：

零样本性能领先：在直接进行跨域零样本评估时，LaGoVAD 在所有数据集上均取得了 SOTA（最先进）性能。

XD-Violence 突破：在 XD-Violence 数据集上，相较于现有最优方法提升了整整 20%。

动态适应能力：在面对“狗打翻垃圾桶”等非传统异常定义时，LaGoVAD 能够根据用户指令灵敏地给出高异常分数，而传统大模型（如 Qwen 系列）往往反应迟钝。

总结与展望

中传团队的这项研究不仅在学术上证明了“异常需要定义”的必要性，更为 AI资讯 行业展示了多模态技术在垂直领域的深耕潜力。随着 LaGoVAD 代码和数据集的开源，我们有理由相信，未来的智能监控将不再是死板的规则引擎，而是能够听懂人话、理解环境的智能助手。

如果你想了解更多前沿的 AI新闻、获取最新的 Prompt 技巧或探索 大模型 的更多可能性，欢迎访问我们的 AI门户。我们将持续为你带来最深度的 AI日报 和技术解读。