COPRA：基于强化学习的条件参数自适应视频异常检测
COPRA是一种新型的视频异常检测框架，通过为每个视频片段生成特定的参数更新，动态调整冻结的视觉-语言模型，解决了训练与推理之间的数据分布和模型配置不匹配问题。在标准基准测试中，COPRA在域内和跨域场景下均优于静态基线方法，并泛化到视频问答和密集描述等未见任务。
近年来，视觉-语言模型（VLM）在视频异常检测（VAD）中展现出强大的性能，同时能够提供可解释的预测。然而，现有基于VLM的VAD方法存在一个根本性问题：训练和推理阶段在数据分布和模型配置上存在不匹配。大多数方法依赖静态的后训练适应策略，这限制了模型在遇到未见环境或异常类型等分布偏移时的泛化能力。此外，这些方法在训练时使用长视频中的稀疏帧，但在推理时却对密集采样的短片段进行预测，导致训练和测试之间的不一致。为了解决这些问题，来自研究团队（作者包括Darryl Cherian Jacob等人）提出了COPRA，一个用于基于VLM的VAD的条件参数自适应框架。该框架的核心思想是：不再使用固定的提示或共享的参数更新，而是为每个视频片段生成输入特定的参数更新，从而在训练和推理过程中动态地调整一个冻结的VLM。这种方法允许模型根据当前输入的具体情况自适应地调整其行为，从而更好地应对分布偏移。实验表明，在标准的VAD基准测试中，COPRA在域内和跨域场景下都持续优于静态基线方法。更重要的是，COPRA的泛化能力不仅限于VAD，还能扩展到多个未见任务，例如多项选择视频问答和密集字幕生成。这些结果突显了COPRA作为一种有效的权重空间生成框架，可以实现可扩展、自适应且上下文感知的视频理解。该论文于2026年5月14日提交至arXiv，目前正在审稿中。代码将在GitHub上公开（仓库地址：THE-MALT-LAB/COPRA）。研究团队表示，COPRA有望成为视频理解领域的基础性方法，为未来更广泛的适应性模型奠定基础。