- 一种粗到细的伪标签（C2FPL）框架用于无监督视频异常检测
提出了一种简单但有效的两阶段伪标签生成框架，用于训练一个监督方式下的区段级异常检测器，以识别视频中的异常事件。
- 一种基于弱监督和自适应实例选择的轻量级视频异常检测模型
该论文提出了一种轻量级视频异常检测模型，通过采用自适应实例选择策略和轻量级多级时间相关注意力模块，减少了模型参数，提高了模型性能，可在资源受限的情况下进行广泛部署。
- 超越基准：视频中多样化异常的检测
视频异常检测（VAD）在现代监控系统中扮演着关键角色，旨在识别真实情境中的各种异常。然而，当前基准数据集主要强调简单的单帧异常，如新颖物体检测，这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中，我们主张扩展 VAD 研究，涵盖超越传统 - 基于片段异常关注的弱监督视频异常检测
通过提出基于异常注意力的弱监督异常检测方法，该研究在涉及未剪辑视频中的异常事件方面表明了提取关键特征的有效性，并通过多分支监督模块进一步优化视频的异常检测和定位。
- 视频异常检测中的分治方法：综述和新方法
该研究综述了视频异常检测中采用的 “分而治之” 策略，并在此基础上提出了一种将人体骨架框架与视频数据分析技术相结合的新方法，该方法在上海科技数据集上实现了最先进的性能，超过了所有现有的先进方法。
- 长序列中合理的异常检测
通过学习长期序列完整地表示物体的运动模式，提出了一种堆叠状态机 (SSM) 模型，该模型能够预测未来状态并确定违反正常运动模式的异常，提升了现有方法在视频异常检测方面的效果。
- 视频异常检测的先验知识引导网络
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 - VadCLIP: 适应弱监督视频异常检测的视觉语言模型
通过直接利用对比式语言 - 图像预训练模型 (CLIP) 在视频领域的强大表示能力和设计鲁棒的视频异常检测器，本文提出了 VadCLIP，一种弱监督视频异常检测范例，无需预训练和微调过程，通过双分支实现粗粒度和细粒度的视频异常检测，实验结果 - ICCVTeD-SPAD: 自监督隐私保护的视频异常检测中的时序独特性
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。
- 单帧未来视频预测用于视频异常检测
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。
- 移动相机下动态场景视频异常检测综述
通过对 MC-VAD 相关研究论文的批判性评估和挑战性方面的重点突出，该综述总结了 MC-VAD 的主要研究领域，并提出了对应的数据集类型、异常检测方法和未来研究方向，为研究人员和从业者在 MC-VAD 领域的发展提供了有价值的参考。
- 从视频异常检测到视频异常检索的进展：新的基准和模型
视频异常检测已引起日益关注，然而目前主要集中于在线帧级别的异常检测任务，而不是利用详细描述来检索异常事件，因此我们提出了一种名为视频异常检索（VAR）的新任务，旨在通过跨模态方法检索相关的异常视频，并设计了一个名为 Anomaly-Led - 利用提示增强的上下文特征进行弱监督视频异常检测学习
本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架，其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块， 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能，某些异常子类 - 视频异常检测的多尺度空时交互网络
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 - 基于点空间和时间自编码器的点云视频异常检测
本研究提出了一种基于点云视频的自编码器框架 PSTAE，使用深度相机和 LiDAR 采集的 3D 数据以保护居民或患者隐私，并取得了 TIMo 数据集上的最新成果 (SOTA)。
- CVPR半监督视频异常检测和预测的新综合基准
该研究提出了一个新的综合数据集 NWPU Campus，它是目前最大的半监督视频异常检测数据集之一，被用于同时检测和预测异常事件，该方法在多个数据集上都实现了最先进的性能。
- 可配置的时空分层分析用于灵活的视频异常检测
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 - 探究无监督视频异常检测的扩散模型
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。
- CVPR基于关键帧的视频事件修复用于视频异常检测
该研究通过引入新的视频事件修复任务，提出了一种新的视频异常检测范式，其基于关键帧，使用具有双跳连接的 U 形 Swin Transformer 网络进行视频事件修复，并使用相邻帧差异损失约束视频序列的运动一致性，实验结果表明该方法比大多数现 - CVPR基于层次化语义对场景感知视频异常检测的对比研究
本文提出了一种基于层次语义对比的视频异常检测模型，结合了前景对象和背景场景特征，通过自动编码器框架增强编码的潜在特征，同时使用对象级和场景级对比学习，增强模型的判别能力，并通过基于骨架的运动增强来进一步处理少见的正常活动。经过在三个常规和场