SphereVAD：无需训练的视频异常检测新范式——在超球面上进行测地线推理

本文介绍SphereVAD，一种完全无需训练、零样本的视频异常检测框架。它利用预训练多模态大语言模型（MLLM）的中间层特征，通过冯·米塞斯-费舍尔（vMF）分布和超球面上的测地线推理实现异常判别，在三大基准数据集上达到训练无关方法的最先进性能。

视频异常检测（VAD）是计算机视觉领域的重要研究方向，目标是在未剪辑的监控视频中自动识别偏离正常模式的事件。传统方法面临两难困境：要么需要大规模人工标注数据进行监督训练，要么需要针对特定场景进行复杂的任务定制，这种对训练数据的依赖严重限制了新场景中的快速部署能力。实际应用中，监控系统常需在全新环境立即投入使用，无时间或资源收集数据、训练模型，因此开发即插即用、无需训练的异常检测方法是领域重要追求。

研究人员发现预训练多模态大语言模型（MLLM）的中间层特征已编码丰富异常语义信息，虽未针对VAD优化却天然具备区分正常与异常的能力；现有方法依赖语言输出路径浪费几何可判别性，SphereVAD核心创新在于直接利用中间层特征的几何结构。

技术方案包含三个关键组件：

1. Frechet均值中心化：展开特征分布，消除领域偏差，确保不同视频特征在统一坐标系比较；
2. 整体场景注意力（HSA）：聚合多视频信息增强特征一致性，帮助理解正常行为模式；
3. vMF引导的球面测地线牵引（SGP）：球面流形上对齐模糊片段与方向性原型，计算测地线距离量化偏离程度。

SphereVAD在三大视频异常检测基准数据集评估，结果如下：

• 在所有训练无关方法中达到最先进性能；
• 与完全监督基线方法相比仍具竞争力；
• 仅需极少量合成图像校准。

这些结果表明，通过几何推理可避免传统方法对大规模训练数据的依赖，同时保持出色检测性能。

SphereVAD的零样本特性实用价值极高，适用于临时活动安保、突发事件响应、资源受限边缘设备等需快速部署场景，无需模型微调或数据收集。此外，该研究揭示预训练大模型内部表示可能比显式输出包含更丰富信息，有望启发其他领域研究者重新思考如何有效利用大模型潜力。

SphereVAD通过将异常检测转化为超球面几何推理问题，实现完全无需训练的解决方案，不仅性能超越同类方法，更展示了“零样本+几何推理”的全新范式。随着多模态大语言模型持续发展，这种思路有望在更多视觉理解任务中展现威力。