先说判断：局部扩散的价值，不是把异常也画得更清楚
MA-PDM把视频异常检测做成“用正常视频训练、预测下一帧、再检查预测误差”的任务。值得关注的不是换上扩散模型本身，而是把局部像素预测、位置相关正常记忆、外观与运动两类条件接在一起：既避免小目标被全帧特征稀释，又试图限制异常外观被过度泛化。最有说服力的证据是随机局部裁剪及条件消融，而不是一句“生成能力更强”。主要保留意见同样明确：局部化仍会漏掉远处小目标；报告的吞吐不能直接等同单路实时报警；有些表格差异不足以支持稳定领先。
本文精读 Hang Zhou、Jiale Cai、Yuteng Ye、Yonghui Feng、Chenxing Gao、Junqing Yu、Zikai Song、Wei Yang 的 Video Anomaly Detection with Motion and Appearance Guided Patch Diffusion Model。依据arXiv 2412.09026v1，首发与当前版本均为 2024年12月12日，页面注明 AAAI 2025；这是旧论文重读，不是本周新稿。近期候选未满足本次深读与材料使用条件，因此按既定规则扩展选题。主文为 CC0；另核对作者仓库的补充材料，本文不复制补充图。
从六帧视频走到一个异常分数
训练只用正常视频。每帧缩放至256×256，用前六帧预测第七帧：第一帧提供外观，相邻六帧的五组差分提供运动。三种内容——外观、差分、加噪目标——必须按同一空间坐标裁成64×64块，否则条件与预测对象会错位。训练时随机裁剪，推理时滑窗覆盖全图。主文§3.1—3.4、§4.1
图注：原文图2，PDF第3页，作者Hang Zhou等，CC0；仅裁去无关版面。左侧区分外观记忆与去噪输入，右侧先融合噪声再反向更新。示意步长32，而默认实验步长64；图本身不证明在线性能。（MA-PDM（2024），图2，PDF物理第3页，CC0，来源：论文）
看架构图左侧：外观编码器同时产生多层特征和记忆检索后的语义；差分与带噪目标则送入去噪U-Net。右侧不是独立生成若干最终图片后简单拼贴，而是在每一个反向步骤先汇合各块预测的噪声，再更新整幅图。图中示意步长32，不是最终实验采用的64；这一差别会改变重叠量、速度和显存。
训练优化噪声预测、外观编码与可学习记忆，不是调用冻结VLM打分，也不是拿异常视频提供类别标签。去噪目标是预测人为加入的高斯噪声；外观支路另用重建误差约束正常记忆。总目标为原文式（11）的 L＝L_p+0.1L_r。测试从高斯噪声开始，使用5步DDIM反向采样生成第七帧，并重建第一帧。式（16）把两项误差相加：
异常分数＝MSE(真实第七帧，预测第七帧)+α×MSE(真实第一帧，重建第一帧)
α在Ped2、Avenue、ShanghaiTech、UBnormal分别为0、0.2、0.3、1。因此Ped2的最终分数不直接包含外观重建误差，但外观仍作为生成条件参与；不能把α＝0解释为删除整个外观模块。评分还必须等第七帧实际到达才能计算，不是提前知道未来是否异常。主文式（16）、§4.1
三个设计究竟各解决什么
一、时间差分是条件，不是异常答案
对固定摄像头，相邻像素差可以突出变化，而无需额外运行光流网络。式（3）实际采用前帧减后帧；复现时不宜随意换成绝对差或倒置符号。差分和带噪目标在输入端拼接，作用是告诉生成器“最近怎么变化”，而不是把运动大直接判成异常。这样既可能识别运动模式偏离，也保留通过外观发现静态异常的机会。
直接替代方案是RAFT光流。表5给出Ped2 93.7→98.6、Avenue 88.7→91.3，换成差分分别增加4.9、2.6个百分点，报告吞吐25→45 FPS。这支持本配置下差分兼顾效果与成本，却不能证明差分普遍优于光流：光流质量、域适配和条件编码都会影响结果。另一面，摄像头抖动和光照变化也会造成像素差；这是由表示形式推导的风险，而不是本文已经做过的鲁棒性实验。主文§3.2、表5
二、位置记忆限制“什么外观算正常”，但不是硬保证
外观编码器得到多层特征 h₁…hₙ，最深层作为查询，从对应空间位置的记忆中检索键和值。式（8）可直观理解为：当前图块提出问题，所在区域的正常模板给出加权回答。记忆总尺寸16×64×256，对应16组位置记忆、每组64个256维条目；不要把中间的64和六帧输入混为一谈。
记忆过滤后的语义经池化，与扩散时间步嵌入一起调节U-Net残差块的缩放和偏置。与此同时，多层外观特征通过相加与拼接进入解码路径，保留较细的空间信息。两条通道分别偏向正常语义和分层细节，而不是重复输入同一张图片。式（10）的要点可写成 (1+scale(t+语义))×h+bias(t+语义)；这里t是扩散噪声时间步，不是视频帧号。主文式（7）—（10）
最直接的替代是全局共享记忆。表4中ShanghaiTech无记忆77.9、全局记忆78.7、位置记忆79.2；Avenue相应89.9、90.2、91.3。位置化在这些比较中有收益，但全局记忆容量更大，实验不是严格等参数控制，不能只把差异归因于空间先验。我的进一步判断是：位置记忆适合固定机位，却可能把场景布局绑定得更紧；换机位能力需要额外证据。
三、按块学噪声，而不是先检测对象
默认64步长与64块大小相等，实际不重叠；较小步长才进入重叠情形。相较对象中心方法，规则图块不依赖检测器找到所有前景；相较整图生成，随机图块增加局部训练样本，让小区域误差不完全淹没在背景中。这一选择沿用了已有图像恢复中的分块扩散思路，新的工作在于与VAD的运动、外观及位置记忆组合，而不是首创扩散或记忆机制。
推理时若块有重叠，需要把同一像素的噪声估计按覆盖次数归一化；否则重叠越多，噪声幅度就越大。原文式（13）的简写应结合覆盖矩阵理解，实际实现须确认累加而非覆盖。论文式（16）以整帧MSE定义评分，不是最大异常图块投票，所以局部建模增强不自动消除小目标在整图平均中的稀释问题。主文§3.3、§3.5
与最近路线相比，MNAD已有正常原型记忆；FPDM已有运动、外观两阶段特征扩散。后者还将当前目标帧的加噪特征作为恢复输入，不能与从纯噪声预测下一帧的MA-PDM混为一谈。MA-PDM新增的是像素图块、位置记忆和多层条件的结合，不是首次使用扩散或记忆。
实验：把表格拆成可检验的主张
图注：原文表1，PDF第6页，作者Hang Zhou等，CC0；帧级ROC-AUC（%，越高越好），仅裁去无关版面。注意Avenue与AED-MAE持平；ShanghaiTech相对FPDM为79.2－78.6＝0.6个百分点，不是正文所写0.5。（MA-PDM（2024），表1，PDF物理第6页，CC0，来源：论文）
主表报告帧级ROC-AUC百分数，不是分类准确率或事件召回率。四列依次为Ped2、Avenue、ShanghaiTech、UBnormal；MA-PDM为98.6、91.3、79.2、63.4。对FPDM，后三列提升为1.2、0.6、0.7个百分点：ShanghaiTech由78.6到79.2，正文写的0.5与表中算术不符，本文采用可复算的0.6。对AED-MAE则为+3.2、持平、+0.1、+4.9；因此“所有数据集严格超过所有方法”不是表格支持的结论。主文表1、§4.2
还要限制比较范围：这是论文当时所列方法，不是2026年的最新排行榜。AED-MAE采用合成异常的设置，与本方法正常视频训练路径不同；表内星号只标了部分作者复现值，其余不能假定统一重跑。未报告随机种子方差时，ShanghaiTech的0.1个百分点只能称表中小幅差异。主文只写帧级AUC；公开代码则逐视频处理后拼接分数、计算全体帧ROC-AUC，是micro式汇总而非逐视频AUC平均。代码与论文配置仍有差异，复现不能只凭同名指标宣称完全一致。
图注：原文表2、表3，PDF第6页，作者Hang Zhou等，CC0；帧级ROC-AUC（%，越高越好），保留模块定义与多级列标题。上表支持条件逐步加入的收益，缺少仅运动的完整对照；下表将尺寸与训练裁剪方式分开比较。（MA-PDM（2024），表2—3，PDF物理第6页，CC0，来源：论文）
先看表2后三个相关配置。仅图块扩散到加入外观，ShanghaiTech由73.9升至77.1；再加运动升至79.2。四个数据集的最后一步增量分别为1.2、1.4、2.1、5.0个百分点，支持在已有外观条件上加入运动有用。不过缺少“图块扩散+运动、无外观”的对应行，尚不能完整分离两种条件的独立作用及交互。只含外观的一行还是MNAD式对照，不应当成只关闭某个开关、其他结构完全不变。
再看表3，随机64块在ShanghaiTech为79.2，整图256为74.8，差4.4个百分点；相同64尺寸随机裁剪又比均匀裁剪77.6高1.6个百分点。因此“局部尺度”和“训练采样多样性”都有证据，不能把全部收益归给更小感受野。32块并未继续提高ShanghaiTech，Ped2的32与64同为98.6；最佳尺度与目标大小有关，不存在越小越好的单调规律。表3实际只列三个数据集，正文关于“四个数据集”的表述不能补出UBnormal的缺失数值。
看完补充材料，部署判断需要收紧
主文图3展示部分视频的分数曲线，说明模型在选定正常时段更平稳、异常时段更高；它不是全测试集误报率证明。作者补充材料还明确展示远处清洁人员、朝镜头移动的小自行车等失败例。它们恰好限制了“分块解决小目标”的叙述：分块有所帮助，不等于尺度与远近问题已经解决。
补充报告45 FPS对应A100 40GB、batch＝16，4090 24GB为40 FPS；缩小滑窗步长会明显增加显存并降低吞吐。不能由此推成单帧延迟或任何设备都实时。补充对UCF/XD还重新划分、筛选原测试视频，不是标准弱监督全测试协议，本文不拿这些数值与标准榜单横比。
进一步核对公开代码固定版本5877dec，每段预测对齐第七帧，前六帧不进入这条评测路径。预测输入没有显式读取此后帧；但评分后调用utils.py中的filt，长度37的滤波核两侧补18个零，当前输出会混入后18个预测分数。因此不能称整个评测链严格在线：生成阶段仅用此前六帧条件，后处理却使用未来信息。
该路径默认normalized=False，不能因为文件里存在min-max函数便声称使用了整视频归一化。另一处值得警惕的是score_sum固定权重[1,0]，与论文分数据集的α不同；这是公开快照与论文描述的配置缺口，不是我们复跑后证明表格有误。计时也只包围diffusive_restoration调用，未把外部装载、后续MSE和平滑等统一计入。部署评测应重新计时，而不是将生成吞吐当摄像头管线吞吐。ROC-AUC只说明阈值扫描下排序能力，无法直接告诉我们每小时会响多少次警报。
值得复现的不是一句SOTA，而是三个控制实验
首先固定网络和评分，仅改变64图块与256整图，检查4.4个百分点收益能否重现；再固定图块尺度比较随机与规则训练裁剪，避免把数据增广收益算成架构收益。其次补齐“仅运动”的缺失条件行，并对全局、位置记忆做等容量比较。最后用固定阈值报告单路延迟和每小时误报，同时区分远处小目标与普通尺度事件。这些是本文分析提出的后续实验，不是作者已经给出的结果。
实现时先锁定六帧条件、带符号差分、同坐标裁剪、16×64×256记忆、1000步训练噪声日程和5步采样，再核对α及误差时间归属。不要先调出更漂亮的预测图便宣布检测更好：异常也被预测准确时，误差检测反而可能失去信号。本文的贡献证据支持“条件化局部生成值得做”，还没有支持“泛化可靠、随处实时的小目标报警器”。
来源与阅读范围
- 主文及版本记录、完整HTML：阅读全文9页及表1—5、图1—3；图表按CC0标注来源，截图仅裁去无关版面。
- 作者代码仓库与4页补充材料：核对结构、效率设置及失败例；本文为论文证据分析，未独立训练或复跑模型。