近年、サロゲートタスクに基づく手法は、教師なし画像異常検出において大きな可能性を示している。しかし、これらのサロゲートタスクが異常検出と一貫した最適化方向を共有するとは保証されていない。本論文では、情報理論に基づく直接的な目的関数に戻り、画像とその表現の同時分布に基づいて正常データと異常データの間の距離を最大化するアプローチを提案する。しかしながら、教師なし設定において訓練時に異常データが提供されないため、この目的関数は直接最適化できない。上記の目的関数を数学的に解析した結果、それを4つの成分に分解することに成功した。教師なし最適化を行うためには、潜在空間において正常データと異常データの分布が分離可能であるという仮定の下で、その下限が相互情報量とエントロピーのトレードオフを重みづけた関数として解釈できることを示した。この目的関数は、サロゲートタスクに基づく手法が異常検出において有効である理由を説明するとともに、さらなる改善の可能性を示唆する。本研究では、この目的関数を基盤として、教師なし画像異常検出のための新たな情報理論的枠組みを提案する。広範な実験により、提案手法が複数のベンチマークデータセットにおいて、多数の最先端手法を顕著に上回ることを実証した。