Wir stellen eine einfache und intuitive Selbstüberwachungsaufgabe vor, die natürlichen synthetischen Anomalien (NSA) genannt wird, um ein end-to-end-Modell für die Anomaliedetektion und -lokalisation zu trainieren, das ausschließlich normale Trainingsdaten verwendet. NSA integriert die Poisson-Bildbearbeitung, um skalierte Patchs unterschiedlicher Größen aus separaten Bildern nahtlos zu verblenden. Dies erzeugt eine breite Palette von synthetischen Anomalien, die natürlichen Subbild-Unregelmäßigkeiten ähnlicher sind als frühere Datenverstärkungsstrategien für selbstüberwachte Anomaliedetektion. Wir evaluieren die vorgeschlagene Methode anhand natürlicher und medizinischer Bilder. Unsere Experimente mit dem MVTec AD-Datensatz zeigen, dass ein Modell, das auf der Lokalisierung von NSA-Anomalien trainiert wurde, sich gut auf die Detektion realer a priori unbekannter Fertigungsfehler verallgemeinert. Unsere Methode erreicht einen Gesamtdetektions-AUROC von 97,2 % und übertrifft alle bisherigen Methoden, die ohne den Einsatz zusätzlicher Datensätze lernen. Der Quellcode ist unter https://github.com/hmsch/natural-synthetic-anomalies verfügbar.