異常検出は、通常の訓練サンプルのみを学習対象とし、正常および異常なテストサンプルの両方で評価を行う一クラス分類問題として一般的に扱われる。異常検出において成功を収めたアプローチの一つとして、マスクされた情報（例：ピクセル領域、将来のフレームなど）を予測し、そのマスク領域に対する再構成誤差を異常度スコアとして利用する手法が挙げられる。本研究では、この再構成に基づく機能性を、新たな自己教師付き予測アーキテクチャブロックに統合することを提案する。提案する自己教師付きブロックは汎用性が高く、さまざまな最先端の異常検出手法に容易に統合可能である。本ブロックは、受容 field の中心部をマスクした拡張フィルタを用いた畳み込み層から始まり、得られた活性化マップはチャネル注目モジュールを通過する。本ブロックは、受容 field 内のマスク領域に対する再構成誤差を最小化する損失関数を備えている。我々は、画像および動画に対する異常検出の複数の最先端フレームワークに本ブロックを統合することで、その汎用性を実証した。実験結果として、MVTec AD、Avenue、ShanghaiTech の各データセットにおいて顕著な性能向上が確認された。本研究のコードはオープンソースとして GitHub 上で公開されており、URL は https://github.com/ristea/sspcab である。