Dans cet article, nous abordons le problème de la détection d’anomalies dans des scènes surpeuplées. Nous proposons d’utiliser des réseaux adverses génératifs (GANs), entraînés à partir d’images normales et d’images correspondantes de flux optique, afin d’apprendre une représentation interne de la normalité scénique. Étant donné que nos GANs ne sont entraînés qu’avec des données normales, ils ne parviennent pas à générer des événements anormaux. Lors de l’évaluation, les données réelles sont comparées aux représentations d’apparence et de mouvement reconstruites par nos GANs, et les zones anormales sont détectées en calculant les différences locales. Les résultats expérimentaux obtenus sur des jeux de données exigeants pour la détection d’anomalies démontrent l’efficacité supérieure de la méthode proposée par rapport aux approches de pointe, tant pour les tâches de détection d’anomalies au niveau des trames que pour celles au niveau des pixels.