ACM MM 2025 | EventVAD：7B参数免训练，视频异常检测新SOTA

主要观点总结

来自北京大学、清华大学和京东（JD.com）的研究团队提出了一种新的视频异常检测框架EventVAD，该框架旨在解决现有视频异常检测方法的局限性。EventVAD通过动态图架构与多模态大模型（MLLMs）的时序事件推理结合，减少模型参数，提高异常检测的精度和效率。该框架已在UCF-Crime和XD-Violence两大基准数据集上进行了评估，并显著优于现有方法。

关键观点总结

关键观点1: 研究背景和动机

现有视频异常检测方法存在局限性，有监督方法依赖大量标注数据，泛化能力差；无需训练方法虽借助大语言模型（LLMs）的世界知识实现检测，但存在细粒度视觉时序定位不足、事件理解不连贯、模型参数冗余等问题。为此，研究团队提出了EventVAD框架。

关键观点2: EventVAD的关键创新

EventVAD包含四个核心模块：事件感知动态图构建、图注意力传播、统计边界检测和事件中心异常评分。通过这一流程，实现了从视频帧特征提取到异常帧精准定位的端到端无需训练检测。

关键观点3: EventVAD的性能优势

EventVAD在UCF-Crime和XD-Violence两大基准数据集上的性能显著优于现有方法，以更少的参数实现了更高的检测精度。此外，EventVAD还具有可视化分析的能力，可以直观地展示检测结果。

关键观点4: 总结与展望

EventVAD作为首个以事件为中心的免训练视频异常检测模型，将推动领域从帧级标注到完整事件级标注的演进。未来，随着视频理解模型的发展，EventVAD这类以事件为中心的视频异常检测范式将为视频细粒度理解提供基础。

免责声明