Nearest-Neighbor-Verfahren (kNN), die tiefe vortrainierte Merkmale nutzen, zeigen bei der Anwendung auf ganze Bilder eine sehr starke Leistung bei der Anomalieerkennung. Ein Limitierung von kNN-Verfahren ist die fehlende Segmentierungskarte, die angibt, wo sich die Anomalie innerhalb des Bildes befindet. In dieser Arbeit präsentieren wir einen neuartigen Ansatz zur Anomalie-Segmentierung, der auf der Ausrichtung zwischen einem anomalen Bild und einer konstanten Anzahl ähnlicher normaler Bilder basiert. Unser Verfahren, Semantic Pyramid Anomaly Detection (SPADE), nutzt Korrespondenzen, die auf einer mehrskaligen Merkmalspyramide basieren. SPADE wird gezeigt, dass es eine state-of-the-art-Leistung bei der unsupervisierten Anomalieerkennung und -lokalisierung erzielt, wobei praktisch keine Trainingszeit erforderlich ist.