우리는 비디오 이상 탐지를 위한 새로운 접근 방식을 제안한다. 기존의 비디오 이상 탐지 방법은 정상 프레임만을 학습하여, 이상 프레임의 품질이 저하되기를 기대하고, 실제값(Ground truth)과의 재구성 오차를 활용하여 이상을 탐지한다. 그러나 깊은 신경망의 뛰어난 일반화 능력으로 인해, 이상 프레임을 효과적으로 생성하는 경향이 있어 이는 한계로 작용한다. 이러한 문제를 해결하기 위해, 이상 영역을 더욱 이상스럽게 만들기 위해 이상 프레임 내의 이상 영역을 파괴하는 새로운 방법을 제안한다. 이를 위해 프레임-라벨 및 운동(F2LM) 생성기와 Destroyer를 도입한다. F2LM 생성기는 입력 프레임의 라벨 및 운동 정보를 활용하여 미래 프레임을 예측함으로써 이상 영역의 품질을 저하시킨다. Destroyer는 저품질 영역을 영벡터(zero vector)로 변환함으로써 이상 영역을 파괴한다. 두 모델은 별도로 학습되었으며, 테스트 시에는 F2LM 생성기가 이상 영역의 품질을 저하시키고, 이후 Destroyer가 해당 영역을 파괴한다. 제안한 비디오 이상 탐지 방법은 UCSD Ped2, CUHK Avenue, Shanghai Tech. 세 가지 벤치마크 데이터셋에서 최신 기술 대비 뛰어난 성능을 보였다. 코드 및 모델은 https://github.com/SkiddieAhn/Paper-Making-Anomalies-More-Anomalous 에서 공개되어 있다.