本文提出了一种利用条件扩散模型进行无监督视频异常检测的方法，使用预训练网络提取空间和时间特征，并结合能概括给定视频片段运动和外观的紧凑运动表示进行条件约束，采用数据驱动的阈值，将高重构误差视为异常事件的指标。实验表明，该方法在大规模视频异常检测数据集上的性能优于现有方法和基线方法。

Jul, 2023

提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

Mar, 2019

在这篇论文中，我们介绍了一种名为 HKVAD（Human Kinematic-inspired Video Anomaly Detection）的新思路，通过显式利用人类运动特征来检测视频异常。我们还提出了一种利用骨架姿态的运动特征，并使用正态流模型来估计密度并检测异常的方法。在两个具有挑战性的公共数据集上进行实验证明了我们方法的有效性和潜力。

Sep, 2023

本研究探究了扩散模型在不使用数据注释的情况下，用于视频异常检测的性能。实验结果表明，该方法优于现有的生成模型，并且是第一项使用扩散模型并研究其参数影响的研究。

Apr, 2023

通过使用预先训练的潜在扩散模型修复被屏蔽区域图像，并进一步通过混合来扰动光流以产生时间空间扭曲，提出了一种新的生成通用时空伪异常的方法。此外，通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架，在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验，证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性，通过识别伪异常从而发现现实世界的异常提供了有价值的见解。

Nov, 2023

基于骨骼的视频异常检测是计算机视觉中关键的任务，在准确识别异常模式或事件方面可以帮助操作员及时发现可疑活动，从而增强安全性。本文介绍了一种新颖、实用且轻量级的框架，名为基于图拼图条件扩散模型的基于骨骼的视频异常检测（GiCiSAD），以应对与 SVAD 相关的挑战。GiCiSAD 包括三个新颖模块：基于图注意力的预测模块，用于捕捉数据中固有的时空依赖性；基于图层级的拼图制作模块，用于区分正常和异常运动之间的细微区域差异；以及基于图的条件扩散模型，用于生成广泛的人体动作。对四个广泛使用的基于骨骼的视频数据集进行的大量实验证明，GiCiSAD 在具有显著更少的训练参数的情况下优于现有方法，成为新的最先进技术。

Mar, 2024

视频异常检测中，除了视觉信号外，我们还应用了骨架序列。我们提出了一种完整的骨架轨迹表示方法，以学习不同时间段内预期的动作。我们使用多任务学习来重建轨迹的任何未观测连续时间段，从而实现过去或未来时间段的外推和插值。我们采用了端到端的基于注意力的编码器 - 解码器模型，并对轨迹进行编码，联合学习被时间遮挡的轨迹段的潜在表示，并根据不同时间段内的预期动作进行重建。在三个基于轨迹的视频异常检测数据集上进行的大量实验证明了我们方法的优势和有效性，并在骨架轨迹的异常检测中取得了最先进的结果。

Nov, 2023

该研究提出了一种新的两流对象感知 VAD 方法，通过图像转换任务学习正常的外观和动态模式，检测偏离学习正常模式的异常情况，并在三个数据集上表现有竞争力。

May, 2022

我们提出了一种基于形状条件的运动扩散模型（SMD），该模型可以直接在网格格式中生成运动序列，并结合了频谱 - 时间自编码器（STAE）以在频谱域内利用跨时依赖关系。通过广泛的实验评估，我们证明了 SMD 不仅可以生成栩栩如生的真实动作，而且在文本转换和动作转换任务中与最先进的方法相比具有竞争力的性能。

May, 2024

通过将初始和未来的原始帧替换为相应的语义分割地图，我们引入了从单帧进行未来视频预测的代理任务，以克服以往方法在学习更长动态模式方面的挑战，并展示了该方法在基准数据集上的有效性和优越性。

Aug, 2023