GCL：打破标签枷锁，实现真正的无监督视频异常检测

TL;DR

传统的视频异常检测往往假设训练集是“纯净”的正常视频（One-Class Classification, OCC），但在现实中，海量的原始监控录像总是混杂着各种突发状况。本文提出的 Generative Cooperative Learning (GCL) 抛弃了所有标注依赖，通过生成器与判别器的“协同进化”，在混乱的无标注数据中精准锁定异常，性能不仅吊打同类无监督方法，甚至超越了需要“纯净数据”的 OCC 模型。

视角定位：这是该领域首个严谨探讨完全无监督模式（Fully Unsupervised Mode）的工作，成功将异常检测从“实验室预设”推向了“工业界自动部署”。

核心痛点：为什么“无监督”这么难？

在视频监控领域，获取标注不仅费时（需要看完几千小时视频），而且异常的定义极具主观性。

1. OCC 的局限：一类分类器（如 Autoencoder）假设训练样本全是正常的。如果训练集里混进了一个爆炸镜头，模型也会学会重建它，导致测试时无法识别异常。
2. 弱监督的成本：即便只给视频打“有/无异常”的标签，依然需要大量人工审查。
3. 零标签挑战：在完全无标注的情况下，模型如何知道哪些是占绝大多数的“背景噪音（正常）”，哪些是极少数的“信号（异常）”？

方法论详解：G 与 D 的博弈与协同

GCL 架构的核心直觉在于利用异常事件的低频性。它由一个 Autoencoder (生成器 G) 和一个全连接分类器 (判别器 D) 组成。

1. 协同训练流程 (Iterative Cross-Supervision)

• G 产生伪标签推给 D：生成器计算重建误差，误差大的被标记为“疑似异常”。
• D 学习并精炼标签：判别器接受这些带有噪声的标签进行训练。由于分类器通常对随机噪音具有一定的抵抗力力，它能从 G 的“烂教案”中总结出更稳健的特征。
• D 产生伪标签反馈给 G：训练后的 D 对数据进行打分，告诉 G 哪些视频段绝对不能好好重建。

2. 负学习 (Negative Learning, NL)

这是本文的独创 Insight。作者不再是让生成器死磕“重建所有东西”，而是引入了 Pseudo Reconstruction Targets (PRT)。如果 D 认为某个样本是异常，G 就会被强迫将其重建为全 1 向量或高斯噪声。

• 直觉含义：既然异常不可预测，那我们就主动让它“扭曲”，从而在重建误差的空间里拉大正常与异常的间距。

图 1：GCL 总体架构，展示了 G 与 D 之间的双向交叉监督机制。

实验与结果：无缝超越有监督方法

作者在 UCF-Crime 和 ShanghaiTech 两个重量级数据集上进行了验证。

• 关键战绩：在 UCF-Crime 上，GCLP (带预训练版本) 达到了 71.04% AUC。相比之下，传统的 AEAllData（直接用所有数据训练 AE）只有 56.32%。
• 越级打击：值得注意的是，GCL 在不使用任何标签的情况下，性能超过了诸如 MemAE 等经典 OCC 方法，说明协同学习挖掘出的边界比单纯学习正样本更具辨别力。

图 2：消融实验显示，采用 "Ones" 负学习目标的 G 和 D 收敛速度最快且性能最稳。

此外，t-SNE 可视化（图 6，详见原文）清晰地显示，在加入 Negative Learning 后，异常样本的特征被成功推离了正常样本簇，形成了明显的孤岛。

深度洞察：为什么这行得通？

1. 互补性：生成器擅长捕捉全局分布，但容易“泛化”到异常；判别器擅长分类，但需要标签。两者相遇，G 提供了初始信号，D 过滤了信号中的噪声。
2. 伪标签阈值策略：作者并没有使用静态阈值，而是根据每批次误差的均值和标准差动态调整，这适配了视频数据的流式特征。
3. 时间一致性：预训练阶段利用相邻帧的差值进行简单过滤，虽然粗糙，但为后续的协同迭代提供了一个良好的“启动点（Jump-start）”。

总结与局限

GCL 的成功标志着视频异常检测可以进入高度自动化阶段。 局限性：该方法依然依赖于“异常是少数派”这个假设。如果在训练数据中，某种异常（如由于摄像头故障导致的雪花屏）频繁出现，GCL 可能会将其误判为正常。

展望未来，将这种协同学习机制与当前火爆的 多模态大模型 (MLLM) 结合，利用语言的逻辑先验来辅助判别器清理伪标签，将是一个极具潜力的研究方向。