Nous proposons une nouvelle approche pour la détection d'anomalies dans les vidéos : nous considérons les vecteurs de caractéristiques extraits des vidéos comme des réalisations d'une variable aléatoire avec une distribution fixe et modélisons cette distribution à l'aide d'un réseau neuronal. Cela nous permet d'estimer la probabilité des vidéos de test et de détecter les anomalies vidéo en fixant un seuil aux estimations de probabilité. Nous entraînons notre détecteur d'anomalies vidéo en utilisant une modification du « denoising score matching », une méthode qui introduit du bruit dans les données d'entraînement afin de faciliter la modélisation de leur distribution. Pour éliminer le choix des hyperparamètres, nous modélisons la distribution des caractéristiques vidéo bruitées sur une gamme de niveaux de bruit et introduisons un régulariseur qui tend à aligner les modèles pour différents niveaux de bruit. Lors des tests, nous combinons les indications d'anomalies à plusieurs échelles de bruit avec un modèle de mélange gaussien. L'exécution de notre détecteur d'anomalies vidéo induit des retards minimaux car l'inférence nécessite simplement l'extraction des caractéristiques et leur propagation avant à travers un réseau neuronal peu profond et un modèle de mélange gaussien. Nos expériences sur cinq benchmarks populaires pour la détection d'anomalies dans les vidéos montrent des performances au niveau de l'état de l'art, tant dans le cadre centré sur les objets que dans celui centré sur les images (frame-centric).