Mit den jüngsten Fortschritten in tiefen neuronalen Netzen hat die Anomalieerkennung in Multimedia im Bereich der Computer Vision erhebliche Aufmerksamkeit erfahren. Während rekonstruktionsbasierte Methoden in letzter Zeit großes Versprechen für die Anomalieerkennung gezeigt haben, kann die Informationsäquivalenz zwischen Eingabe und Supervision bei Rekonstruktionsaufgaben das Netzwerk nicht effektiv dazu zwingen, semantische Merkmalsdarstellungen zu lernen. In diesem Beitrag schlagen wir vor, diese Äquivalenz durch das Löschen ausgewählter Attribute aus den ursprünglichen Daten zu brechen und das Problem neu als Wiederherstellungsaufgabe zu formulieren, bei der normale und anomale Daten anhand der Wiederherstellungsfehler voneinander unterscheidbar sein sollen. Durch die Notwendigkeit, das ursprüngliche Bild wiederherzustellen, lernt das Netzwerk semantische Merkmalsdarstellungen, die mit den gelöschten Attributen verknüpft sind. Während der Testphase führt die Wiederherstellung anormaler Daten mit Attributen, die aus normalen Daten gelernt wurden, zu einem signifikant größeren Wiederherstellungsfehler. Umfangreiche Experimente haben gezeigt, dass die vorgeschlagene Methode mehreren State-of-the-Art-Verfahren auf mehreren Benchmark-Datensätzen deutlich überlegen ist, insbesondere auf ImageNet, wo die AUROC des besten Baseline-Modells um 10,1 % gesteigert wird. Zudem evaluieren wir unsere Methode auf einem realen Anomalieerkennungsdatensatz (MVTec AD) sowie einem Datensatz für Video-Anomalieerkennung (ShanghaiTech).