本文研究了少样本异常检测（Few-Shot Anomaly Detection, FSAD），这是一种在实际应用中具有重要意义但尚未得到充分研究的异常检测设定。在该设定下，每个类别在训练阶段仅提供少量正常图像。迄今为止，现有的FSAD研究均沿用标准异常检测中常用的“每个类别对应一个模型”的学习范式，未能充分挖掘类别之间的共性特征。受人类识别异常方式的启发——即通过将待检测图像与正常样本进行对比——本文提出利用图像配准（registration）这一图像对齐任务作为代理任务。图像配准本身具有天然的跨类别泛化能力，因此可作为训练一个类别无关的异常检测模型的有效手段。在测试阶段，通过比较待测图像与其对应的支持图像（即正常样本）经配准后得到的特征，来识别异常区域。据我们所知，这是首个能够训练单一可泛化模型、并在面对新类别时无需重新训练或参数微调的FSAD方法。实验结果表明，该方法在MVTec和MPDD两个基准数据集上的AUC指标上，相较于现有最先进方法提升了3%至8%。