Wir schlagen einen neuen Ansatz für die Anomalieerkennung in Videos vor. Bisherige Methoden zur Anomalieerkennung in Videos werden ausschließlich auf normalen Frames trainiert, unter der Annahme, dass die Qualität abnormaler Frames abnimmt, und nutzen den Rekonstruktionsfehler bezüglich der Ground-Truth zur Erkennung von Anomalien. Ein zentrales Problem ergibt sich jedoch aufgrund der starken Generalisierungsfähigkeit tiefer neuronalen Netze, da diese tendenziell fehlerfreie, also plausible Darstellungen auch für abnormale Frames erzeugen können. Um dieses Problem anzugehen, führen wir eine neue Methode ein, die Anomalien durch die Zerstörung abnormer Bereiche in abnormen Frames noch deutlicher hervorhebt. Dazu stellen wir den Frame-to-Label and Motion (F2LM)-Generator und den Destroyer vor. Der F2LM-Generator prognostiziert einen zukünftigen Frame mithilfe der Klassenbezeichnung und der Bewegungsinformation der Eingabeframes, wodurch die Qualität abnormer Regionen absichtlich verschlechtert wird. Der Destroyer zerstört anschließend abnorme Bereiche, indem er Bereiche geringer Qualität in Nullvektoren transformiert. Beide Modelle wurden getrennt voneinander trainiert; im Testphase degradiert der F2LM-Generator die Qualität abnormer Regionen, und der Destroyer beseitigt diese anschließend. Unser vorgeschlagener Ansatz zur Anomalieerkennung in Videos erreicht eine überlegene Leistung im Vergleich zu aktuellen State-of-the-Art-Modellen an drei etablierten Benchmark-Datensätzen (UCSD Ped2, CUHK Avenue, Shanghai Tech.). Der Quellcode und die Modelle sind öffentlich über folgenden Link verfügbar: https://github.com/SkiddieAhn/Paper-Making-Anomalies-More-Anomalous.