MoG-VLM：运动引导的视觉语言模型视频异常检测

MoG-VLM 用运动引导按需调用 VLM，在多个视频异常检测基准刷新零样本最优。

资讯摘要

论文提出 MoG-VLM，一种以运动作为轻量控制信号的视频异常检测框架，用时间梯度幅值（TGM）做内容感知采样，只在异常可能性升高的帧附近触发密集多帧 VLM 推理，并通过融合模块结合瞬时语义线索与时间动作动态。作者报告在 XD-Violence、UCF-Crime、MSAD、ShanghaiTech 四个基准上 AUC-ROC 分别为 91.91%、84.30%、87.88%、78.96%，在零样本免训练设置下于三个基准取得新的最优结果，XD-Violence 上较此前最佳提升 0.57% 并实现 1.31 倍推理加速。代码已在 GitHub 发布。

要点速读

1. 提出 MoG-VLM，用运动作为轻量控制信号决定何时调用 VLM 推理，并以 TGM 做内容感知采样。
2. 采用分层双流设计，通过锚点触发的上下文窗口扩展与提前终止，仅在异常可能性高的帧附近做密集推理。
3. 作者报告四个基准 AUC-ROC 为 91.91%、84.30%、87.88%、78.96%，零样本免训练下三个基准刷新最优，XD-Violence 提升 0.57% 且推理加速 1.31 倍。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。