研究提出 CamVLM 框架：通过动态视点控制实现监控视频主动视觉推理

研究人员提出 CamVLM 框架，旨在利用大视觉语言模型结合动态视点控制技术，使其能够像人类一样主动获取监控视频中的关键证据。该研究构建了包含 14,459 个视频、涵盖 10 类异常事件的大规模数据集 CCTV-Anomaly，以及 CamTrack-53K 物体中心视点轨迹数据集。团队建立了基于强化学习的视点策略优化框架，将相机控制建模为序贯决策过程以学习长程观察策略。实验结果显示，CamVLM 在被动观察和动态视点设置下均达到了最先进性能，验证了主动相机推理的有效性。相关数据、模型及代码已开源。