异常分割是自动驾驶应用中的关键任务，传统上被建模为逐像素分类问题。然而，若仅孤立地对每个像素进行推理而忽略其上下文语义信息，会导致物体边界区域不确定性较高，并产生大量误报。为此，我们提出一种范式转变：从逐像素分类转向基于掩码的分类。我们提出的基于掩码的方法——Mask2Anomaly，首次验证了将异常检测方法融入掩码分类架构的可行性。Mask2Anomaly 引入了多项技术创新，以提升掩码级别异常检测的性能：i）全局掩码注意力模块，能够分别聚焦于前景与背景区域；ii）掩码对比学习机制，通过最大化异常样本与已知类别之间的判别边界来增强区分能力；iii）掩码精炼方案，有效降低误报率。在多个基准测试中，Mask2Anomaly 在逐像素与组件级评估上均取得了新的最先进性能。尤其值得注意的是，相较于此前的最先进方法，Mask2Anomaly 将平均误报率降低了60%。项目主页：https://github.com/shyam671/Mask2Anomaly-Unmasking-Anomalies-in-Road-Scene-Segmentation。