XAVAD：先看清解释了什么，再讨论匿名化是否值得
本期论文：Guided Zero-Shot Anomaly Explanation for Anonymized Crowd Video Monitoring，Asres、Jiao、Omlin，2026年10月23日首次提交，v1。受本次资料摘述限额约束，以下采用聚焦短评，不冒充完整长篇精读或复现。
问题与设计：不是另一条异常分数曲线
XAVAD接收上游检测器告警，再输出类别、热图和文字解释；它不是新的端到端VAD检测器。PPA沿用CLIP与Grad-ECLIP，新增“先按文本匹配选择图块，再在选中区域计算热图”的流程，以避免小目标在整帧缩放后消失。（原文图2、第三节E）
图注：原文图2，Asres、Jiao、Omlin，arXiv:2610.32073v1，CC BY 4.0。原图未裁剪；箭头区分检测告警与解释输出。（来源：论文）
读图应追踪告警进入解释器的位置。我的判断是：“哪里像这个类别”不自动证明上游报警依据正确。
证据：增益来自聚焦，不只是热图清理
枪械定位实验中，原始Grad-ECLIP的AP为0.307，仅加归一化为0.311，再加PPA为0.569。（表IV）这组逐步比较支持聚焦模块有效；不能据此宣称任何异常都得到更可靠解释。
指标定义不可忽略：这里使用合成Simuletic图像，AP覆盖IoU 0.10—0.50，并非标准COCO AP。（第四节C）因此，“找到附近区域”与“精确圈出目标”不能混为一谈。
边界与下一步
我的研究提问是：主动输入错误类别，解释器是否仍会画出可信的热图？应分别统计正确告警与误报告警，验证解释能否帮助人工拒绝误报。这是待验证建议，并非原文结果。
匿名化也不应仅以画面遮住人体来宣布完成。是否保留任务证据、是否仍泄漏身份，是两个需要分别测量的问题。
原文与图表来源
论文全文及补充材料。配图取自原文图2，归原作者所有，依据CC BY 4.0引用；配图仅用于本文讨论，不代表作者认可本文判断。