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

本文介绍了一种采用自监督学习的方法，通过解决空间 - 时间拼图问题来进行视频异常检测。新方法相对于基于重建或预测的方法，在公共基准测试中表现更好。

Jul, 2022

我们提出了一种多尺度时空交互网络（MSTI-Net），采用基于注意力机制的时空融合模块（ASTM）代替直接融合，并注入多个 ASTM 基础的连接，以促进所有可能的空间时间交互，最终将在多个尺度上学习的正常信息记录在内存中，在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果，UCSD Ped2 的 AUC 值达到了 96.8％，CUHK Avenue 的 AUC 值达到了 87.6％，ShanghaiTech 数据集的 AUC 值达到了 73.9％。

Jun, 2023

提出了一种隐私感知的视频异常检测框架 TeD-SPAD，通过自学习的方式销毁视觉私人信息，并在隐私保护和异常检测性能之间实现了正面权衡。

Aug, 2023

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

在智能视频监控中，视频异常检测 (VAD) 涉及检测视频中的异常事件，这是一个复杂而重要的任务。本文提出了一种基于先验知识引导的网络 (PKG-Net) 来解决 VAD 任务。通过在教师 - 学生架构中将自编码器网络与两个指定的代理任务相结合，即未来帧预测和教师网络模仿，提供了更好的未知样本泛化能力。此外，还提出了对适当特征块进行知识蒸馏，以增加模型的多尺度检测能力。实验结果在三个公开基准上验证了我们方法的有效性和准确性，超过了最近的最先进方法。

Sep, 2023

本文提出了一种基于空时 dropout 的深度学习算法用于视频检测，利用视觉变换器从视频中抽取局部区域的空时信息，配合空时 dropout 操作以提高模型的鲁棒性和泛化性。实验证明，该算法有效地解决了当前深度伪造视频的检测挑战。

Jul, 2022

设计了一种基于空时分层结构的可配置网络体系结构，并利用具有不同能力的基于自编码器的块获得正常模式，通过不断叠加和连接这些块，学习了分层的正常模式，适应了不同的检测需求和各种复杂程度的异常时，通过在三个基准测试中进行实验，并进行了广泛分析，结果表明我们的方法与最先进的方法相当。

May, 2023

通过深度学习方法的视频异常检测（VAD）调查，本篇综述探索了传统监督训练范式之外的新兴弱监督、自监督和无监督方法，研究了 VAD 范式中的核心挑战，以及视觉语言模型（VLMs）作为强大的特征提取器在 VAD 中的作用，旨在增强复杂现实场景中异常检测的鲁棒性和效率，并填补现有知识差距，为研究人员提供有价值的见解，为 VAD 研究的未来贡献力量。

May, 2024

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