CoReVAD: A Contextual Reasoning Framework for Training-Free Video Anomaly Detection

Existing Video Anomaly Detection (VAD) methods typically rely on task-specific training, leading to strong domain dependency and high training costs. Moreover, most existing methods output only scalar anomaly scores, providing limited insight into why specific events are considered abnormal. Recent advances in Vision-Language Models (VLMs) have enabled both anomaly detection and human-interpretable reasoning. However, many VLM-based approaches still require additional training steps (e.g., instruction tuning or verbalized learning) or external Large Language Models (LLMs), incurring further training costs and inference overhead. To address these challenges, we propose CoReVAD, a contextual reasoning framework for training-free video anomaly detection that operates with a single frozen VLM. CoReVAD directly generates anomaly scores and temporal descriptions from the VLM. To mitigate noise in generative outputs, we introduce a Local Response Cleaning (LRC) module based on local vision-text alignment. Furthermore, global temporal context and progression are incorporated through softmax-based refinement, Gaussian smoothing, and position weighting. Experiments on UCF-Crime and XD-Violence demonstrate that CoReVAD achieves competitive performance among training-free methods while providing reliable and interpretable explanations. Our official code is available at: https://github.com/Muk-00/CoReVAD

📋 한 줄 요약

**[비지도 비디오 이상 탐지 / VLM]** CoReVAD가 단일 frozen VLM만으로 anomaly score·시간 description 직접 생성, Local Response Cleaning·softmax refinement·Gaussian smoothing·position weighting 결합, UCF-Crime·XD-Violence에서 training-free SOTA급.

🎯 핵심 기여도

기존 Video Anomaly Detection(VAD)이 task-specific 학습에 의존해 도메인 종속성과 학습 비용이 높고, 대부분 scalar anomaly score만 출력해 "왜 abnormal인지" 통찰이 제한적인 한계 진단.
VLM의 발전으로 anomaly detection과 human-interpretable reasoning이 동시 가능해졌지만 많은 VLM 기반 접근이 instruction tuning·verbalized learning 같은 추가 학습 또는 외부 LLM을 요구해 비용·overhead 추가됨을 지적.
CoReVAD 제안 — single frozen VLM으로 동작하는 training-free contextual reasoning framework, anomaly score와 temporal description을 VLM에서 직접 생성.
Generative output noise 완화를 위한 Local Response Cleaning(LRC) 모듈을 local vision-text alignment 기반으로 도입, softmax-based refinement·Gaussian smoothing·position weighting으로 global temporal context·progression 통합.

💡 핵심 아이디어

VLM의 추론 능력을 비디오 이상 탐지에 활용할 때 추가 학습·외부 LLM 없이도, local alignment 기반 response cleaning과 softmax·smoothing·position weighting의 시간 context 통합만으로 신뢰성 있고 interpretable한 anomaly score를 얻을 수 있다.

🔬 기술적 접근법

**방법론**: CoReVAD — single frozen VLM 기반 training-free contextual reasoning framework.
**핵심 기법**: (1) Frozen VLM에서 anomaly score·temporal description 직접 생성, (2) Local Response Cleaning(LRC) — local vision-text alignment 기반 generative noise 완화, (3) Softmax-based refinement, (4) Gaussian smoothing으로 시간 일관성 향상, (5) Position weighting으로 global temporal progression 통합.

📊 주요 결과

UCF-Crime·XD-Violence 벤치마크에서 training-free 방법 중 competitive 성능.
Anomaly score와 함께 reliable·interpretable explanation 제공.
학습 비용·외부 LLM 없이 동작.
코드 공개: github.com/Muk-00/CoReVAD.

💭 의의 및 한계

**의의**: Training-free VAD의 explainability·실용성 동시 달성, VLM 기반 시간 추론 일반 패턴, LRC·smoothing·weighting의 modular 조합 레시피. **한계**: VLM 자체 성능에 종속, frozen 사용으로 특정 도메인 anomaly에 fine-grained 적응 어려움, UCF-Crime·XD-Violence 외 long-form video 일반화 검증 필요.

🚀 실용적 활용

CCTV·보안 영상의 zero-training 이상 탐지.
Explainable anomaly detection 시스템.
VLM의 일반 시간 추론·video 분석.