監視ビデオにおける異常検出は、可能なイベントの多様性のために現在でも課題となっています。本研究では、この問題に対処するために、一般的な物体の外観（例：歩行者、背景、木など）とそれに関連する動きとの対応関係を学習する深層畳み込みニューラルネットワーク（CNN）を提案します。当モデルは、同一のエンコーダーを共有する再構築ネットワークと画像変換モデルの組み合わせとして設計されています。前者のサブネットワークはビデオフレームに現れる最も重要な構造を決定し、後者のサブネットワークはそのような構造に関連する動きテンプレートを関連付けることを試みます。学習段階では正常なイベントのビデオのみを使用し、その後未知の入力に対してフレームレベルのスコアを推定することが可能となります。6つのベンチマークデータセットでの実験結果は、提案手法が既存の最先端手法と比較して競争力のある性能を示していることを示しています。