Die Anomalieerkennung anhand einer einzigen Bildaufnahme ist herausfordernd, da Anomaliedaten stets selten sind und äußerst unvorhersehbare Typen aufweisen können. Da lediglich anormaliefreie Daten zur Verfügung stehen, trainieren die meisten bestehenden Methoden einen Autoencoder, um das Eingabebild zu rekonstruieren, und identifizieren anschließend anhand der Differenz zwischen Eingabe und Ausgabe die anormalen Regionen. Allerdings bergen solche Ansätze ein potenzielles Problem: Eine grobe Rekonstruktion erzeugt zusätzliche Bildunterschiede, während eine hochauflösende Rekonstruktion möglicherweise die Anomalie selbst einbezieht. In diesem Artikel lösen wir diesen Widerspruch durch die Einführung eines zweistufigen Ansatzes, der hochfidele, gleichzeitig aber anormaliefreie Rekonstruktionen erzeugt. Unser unsupervisierter zweistufiger Ansatz zur Anomalieerkennung (Unsupervised Two-stage Anomaly Detection, UTAD) basiert auf zwei technischen Komponenten: dem Impression Extractor (IE-Net) und dem Expert-Net. Beide Netze realisieren die zweistufige anormaliefreie Bildrekonstruktion und erzeugen gleichzeitig intuitive Zwischenergebnisse, wodurch die gesamte UTAD-Methode interpretierbar wird. Umfangreiche Experimente zeigen, dass unsere Methode auf vier verschiedenen Anomalieerkennungsdatasets mit unterschiedlichen Arten realer Objekte und Texturen die bisherigen State-of-the-Art-Verfahren übertrifft.