扩散模型驱动的无监督视频异常检测协同学习
来源：计算机工程与应用杂志2026年第10期北京时间：
作者：林文龙, 吴媛媛, 漆美林, 张航, 高杜娟
单位：成都理工大学 计算机与网络安全学院，成都 610059；
摘要：监控视频已经在社会安全治理方面发挥了重要作用，随着监控视频的激增，如何快速、准确地检测异常事件已成为关键问题。然而，现有的视频异常检测算法大多使用了弱监督的学习方法，该方法需要大量的人力对监控视频进行视频级的标签标注。为了消除获取繁琐标注的成本，提出了一种基于扩散模型变体的生成协同学习方法用于视频异常检测。该方法通过引入扩散模型到协同学习方法中，利用异常的低发生频率来建立生成器和判别器之间的交叉监督，从而提升对数据潜在分布的学习能力。相较于原始协同学习方法中的简单全连接网络，将扩散模型引入到协同学习方法中能够使该方法更好地捕捉数据的潜在特征。设计了一种新的负学习方法，采用逐渐增大的高斯噪声来标记异常伪标签，进一步提高了算法的收敛性和识别准确性。实验结果显示，在UCF-Crime和上海科技大学（STech）两个公开的数据集上，所提出的方法分别达到了71.57%和88.47%的AUC值，较原有协同学习方法分别提升了0.57和9.54个百分点，在无监督方法中取得了最先进的性能。
关键词：无监督,视频异常检测,扩散模型,噪声标记学习,负学习
基金资助：四川省中央引导地方科技发展专项（2024ZYD0263）；成都市重点研发支撑计划项目（2024-JB00-00012-GX）；成都理工大学2023年中青年骨干教师发展资助计划（10912-JXGG2023-06470）。
