開放世界影片異常檢測（Open-World Video Anomaly Detection, OWVAD）是一項旨在根據使用者指定的異常定義來檢測事件的任務。與傳統的異常定位不同，OWVAD要求在同一影片中改變異常定義時，被判定為異常的時間區域也應隨之改變，這體現了對模型條件性行為的要求。然而，最新研究發現，當前的OWVAD評估方法大多未能有效檢驗這種條件性行為。標準影片異常檢測（VAD）指標和動態定義協議可能被目標與正常樣本的分離所主導，導致模型在幾乎不關注查詢定義的情況下仍能獲得高分。作者將這種現象稱為“定義盲區”（Definition Blindness）。
為了解構這一盲區的原因，研究團隊將動態定義評估分解為兩個子任務：目標與正常樣本的檢測（target-versus-normal detection）以及目標與其他異常的區分（target-versus-other-anomaly discrimination）。分析發現，在所有常見VAD基準中，前者的權重是後者的7.2至26.8倍，這意味著評估指標在很大程度上忽略了模型對不同異常定義的區分能力。基於這一診斷，作者引入了三種定義條件化的評估指標：DC-Disc、DC-DetΔ和DC-SelΔ。這些指標逐步消除了正常幀、通用異常和多事件選擇等捷徑，從而更準確地衡量模型對定義的遵循程度。
在UCF-Crime、XD-Violence和MSAD資料集上的實驗取得了重要發現。多個強大的VAD、OWVAD以及通用視覺語言模型基線雖然能夠定位異常時刻，但對定義的遵循程度較弱，往往接近零的定義響應餘量。這表明現有模型在動態定義場景下存在嚴重的“定義盲區”。為了驗證該問題具有可操作性，作者進一步提出了DeCoS（Definition-Contrastive Scoring rule），一種定義對比評分規則。其核心思想是透過減去不同定義間共享的異常證據，迫使模型更加關注定義特有的資訊。實驗結果顯示，DeCoS在最強基線的基礎上，在DC-Disc上提升了7.3至16.0個AUROC點，在DC-DetΔ上提升了15.5至28.3個點，效果顯著。
總體而言，本研究不僅揭示了當前OWVAD評估體系中的隱藏缺陷，還提出了更嚴格的評估工具。研究結果主張OWVAD應被評估為定義條件化的異常評分（definition-conditioned anomaly scoring），而非不同提示標籤下的異常檢測。這一診斷對模型選型、推理成本、產品能力及評測基準均具有潛在影響，為未來開放世界影片異常檢測研究提供了新的方向。