Multi-Agent Video Anomaly Understanding Planning Zero-shot
摘要

视频异常理解(VAU)旨在全面解释视频中的异常事件,需识别异常、发现证据并解释成因。现有方法受限于训练数据或观察范围,泛化能力不足;单智能体方法虽具适应性,但缺乏角色专业化与结构化证据协调。为此,本文提出AgenticVAU,一种无需训练的基于多智能体的框架,将VAU建模为“探索-验证”过程。该框架引入四个专用智能体分别负责视觉规则构建、搜索规划、视频观测和最终决策,并通过锚点注册表共享证据记忆。实验表明,该方法在ECVA等基准上优于零样本及强化学习基线,证明了多智能体协作在视频异常理解中的价值。

AI 推荐理由

论文核心在于通过多智能体协作实现视频异常理解的探索与验证规划,涉及任务分解、搜索规划及证据协调机制。

研究机构
C-FAIR & School of software, Shandong University Renmin University of China Nanjing Agricultural University Lenovo Research
论文信息
作者 Yuxiang Duan, Huining Li, Ao Li, Shuai Feng, Lanju Kong et al.
发布日期 2026-08-04
arXiv ID 2608.03779
相关性评分 9/10 (高度相关)