Methoden basierend auf Ersatzaufgaben haben in jüngster Zeit großes Versprechen für die unsupervised Bildanomalieerkennung gezeigt. Allerdings gibt es keine Garantie dafür, dass die Ersatzaufgaben eine konsistente Optimierungsrichtung mit der Anomalieerkennung teilen. In diesem Artikel kehren wir zu einer direkten Zielfunktion für die Anomalieerkennung zurück, die auf der Informationstheorie basiert und die Distanz zwischen normalen und anomalen Daten hinsichtlich der gemeinsamen Verteilung von Bildern und ihrer Darstellungen maximiert. Leider ist diese Zielfunktion unter der unsupervised-Setting nicht direkt optimierbar, da während des Trainings keine anomalen Daten zur Verfügung stehen. Durch eine mathematische Analyse dieser Zielfunktion gelingt es uns, diese in vier Komponenten zu zerlegen. Um im unsupervised-Fall optimieren zu können, zeigen wir, dass unter der Annahme, dass die Verteilungen normaler und anomaler Daten im latenzraum trennbar sind, ihre untere Schranke als Funktion interpretiert werden kann, die das Trade-off zwischen gegenseitiger Information und Entropie gewichtet. Diese Zielfunktion ermöglicht es, zu erklären, warum Methoden basierend auf Ersatzaufgaben für die Anomalieerkennung wirksam sind, und weist zudem auf potenzielle Verbesserungsmöglichkeiten hin. Auf Basis dieser Zielfunktion stellen wir einen neuartigen informationstheoretischen Rahmen für die unsupervised Bildanomalieerkennung vor. Umfangreiche Experimente zeigen, dass der vorgeschlagene Rahmen mehrere state-of-the-art-Methoden auf mehreren Benchmark-Datensätzen signifikant übertrifft.