オープンワールドビデオ異常検出（Open-World Video Anomaly Detection, OWVAD）は、ユーザーが指定した異常の定義に一致するイベントを検出することを目的としています。汎用的な異常位置特定よりも強い要件であり、同じビデオ内で定義を変更すると、異常とスコア付けされる時間領域が変化する必要があります。しかし、最新の研究により、現在のOWVAD評価ではこの条件付き動作を十分に分離できていないことが示されました。標準のビデオ異常検出（VAD）指標や動的定義プロトコルは、目標と正常サンプルの分離に支配され、モデルがクエリ定義にほとんど影響されずに高いスコアを得られる可能性があります。著者らはこの失敗モードを「定義盲目」（Definition Blindness）と呼んでいます。
なぜこの見落としが発生するのかを説明するため、研究チームは動的定義評価を目標対正常検出（target-versus-normal detection）と目標対その他異常識別（target-versus-other-anomaly discrimination）に分解し、前者が一般的なVADベンチマーク全体で7.2～26.8倍の重みを持っていることを発見しました。この診断に基づき、著者らはDC-Disc、DC-DetΔ、DC-SelΔという3つの定義条件付き評価指標を導入しました。これらの指標は、正常フレーム、汎用異常、マルチイベント選択のショートカットを段階的に除去し、定義への追従をより正確に測定します。
UCF-Crime、XD-Violence、MSADでの実験により、複数の強力なVAD、OWVAD、および一般的な視覚言語モデルのベースラインが異常な瞬間を特定できるものの、定義の追従が弱く、定義応答マージンがほぼゼロであることが明らかになりました。この失敗が改善可能であることを検証するため、著者らはさらにDeCoS（Definition-Contrastive Scoring rule）を導入しました。DeCoSは定義間で共有される異常証拠を差し引くことで、最も強力なベースラインをDC-Discで7.3～16.0 AUROCポイント、DC-DetΔで15.5～28.3ポイント向上させました。
全体として、結果はOWVADが異なるプロンプトラベル下での異常検出ではなく、定義条件付き異常スコアリング（definition-conditioned anomaly scoring）として評価されるべきであることを主張しています。この診断は既存の評価体系の隠れた欠陥を明らかにし、将来の研究により厳格な評価ツールを提供します。