In diesem Artikel behandeln wir das Problem der Anomalieerkennung in dicht besetzten Szenen. Wir schlagen vor, Generative Adversarial Networks (GANs) zu verwenden, die anhand normaler Frames und entsprechender Optische-Fluss-Bilder trainiert werden, um eine interne Repräsentation der Szenen-Normalität zu erlernen. Da unsere GANs ausschließlich mit normalen Daten trainiert werden, sind sie nicht in der Lage, anomale Ereignisse zu generieren. Während der Testphase werden die tatsächlichen Daten sowohl mit der von den GANs rekonstruierten Erscheinungs- als auch mit der Bewegungsrepräsentation verglichen, und Anomalien werden durch Berechnung lokaler Differenzen erkannt. Experimentelle Ergebnisse auf anspruchsvollen Datensätzen zur Anomalieerkennung zeigen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber dem Stand der Technik sowohl bei frame- als auch bei pixelgenauer Anomalieerkennung.