视频异常检测（Video Anomaly Detection，VAD）是智能监控、智慧交通、网络审核等应用中的关键技术，旨在检测视频中偏离预期的异常事件。然而，现有方法 将训练数据集中的固定类别作为隐式定义的 "异常"，这种方法的泛化能力不足，无法适应开放世界中动态变化的异常定义需求。 下面是三个异常定义发生变化的例子： 这些例子表明， 异常性并非事件本身的固有属性，而是由场景、时间、用户需求等因素决定的动态概念。 针对这一问题， 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 于 ICLR 2026 发表论文《Language-guided Open-world Video Anomaly Detection under Weak Supervision》，直面 VAD 领域的核心问题 —— 什么是异常？ 论文标题：Language-guided Open-world Video Anomaly Detection under Weak Supervision 吸烟行为在加油站是异常行为，但是在吸烟区不是（随场景变化） 流感高发季不戴口罩是异常行为，其他时期则不是（随时间变化） 在某个机 ...

来自北京大学，清华大学的研究团队联手京东（JD.com）在 ACM MM 2025 发表了一种以事件为中心低成本高效的 Training-Free 视频异常检测框架 EventVAD，论文第一作者邵轶骅目前为北京大学学术访问学生，项目负责人为来自京东 （JD.com）的算法研究员马傲，目前代码和数据已全面开源。 现有视频异常检测（Video Anomaly Detection, VAD）方法中，有监督方法依赖大量领域内训练数据，对未见过的异常场景泛 化能力薄弱；而无需训练的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，来自北大、清华和京东（JD.com）的研究团队提出了一种全新的视频异常检测框架 ——EventVAD。该框架通过动态 图架构与多模态大模型（MLLMs）的时序事件推理结合，在减少模型参数的同时，显著提升了异常检测的精度和效率。实验 结果显示，EventVAD 在 UCF-Crime 和 XD-Violence 两大数据集上均超越现有 SOTA 方法，成为无需训练场景下的新标杆。 论文标题：EventVAD: Tra ...