Unüberwachte Anomalieerkennung mit Lokalisierung hat zahlreiche praktische Anwendungen, wenn die Etikettierung nicht möglich ist und insbesondere dann, wenn Anomalien in den Trainingsdaten vollständig fehlen. Obwohl kürzlich vorgestellte Modelle für diese Datensatzkonfiguration hohe Genauigkeitsmetriken erreichen, stellt ihre Komplexität einen limitierenden Faktor für Echtzeitverarbeitung dar. In diesem Paper stellen wir ein Echtzeitmodell vor und leiten analytisch seine Beziehung zu früheren Methoden her. Unser CFLOW-AD-Modell basiert auf einem bedingten Normalisierungsfluss-Rahmenwerk, das für die Anomalieerkennung mit Lokalisierung adaptiert wurde. Insbesondere besteht CFLOW-AD aus einem diskriminativ vortrainierten Encoder und mehreren generativen Decodern auf unterschiedlichen Skalen, wobei letztere die Wahrscheinlichkeit der kodierten Merkmale explizit schätzen. Unser Ansatz führt zu einem rechnerisch und speichereffizienten Modell: CFLOW-AD ist bei gleicher Eingabekonfiguration um den Faktor 10 schneller und kleiner als das vorherige Stand der Technik. Unsere Experimente auf dem MVTec-Datensatz zeigen, dass CFLOW-AD frühere Methoden in der Erkennungsaufgabe um 0,36 % AUROC, in der Lokalisierungsaufgabe um 1,12 % AUROC und 2,5 % AUPRO übertrifft. Wir stellen unseren Code offen zur Verfügung, inklusive vollständig reproduzierbarer Experimente.