Die Essenz der unsupervised Anomalieerkennung besteht darin, die dichte Verteilung normaler Proben zu lernen und Ausreißer als Anomalien im Testphase zu detektieren. Gleichzeitig sind Anomalien in der realen Welt oft subtil und fein granular in hochauflösenden Bildern, insbesondere in industriellen Anwendungen. Um diesem Problem zu begegnen, schlagen wir einen neuen Ansatz für die unsupervised Anomalieerkennung und -lokalisierung vor. Unser Verfahren zielt darauf ab, eine dichte und kompakte Verteilung aus normalen Bildern mittels eines grob-zu-fein ausgerichteten Prozesses zu lernen. Im ersten, groben Ausrichtungsschritt werden die pixelweisen Positionen von Objekten sowohl auf Bild- als auch auf Merkmalsebene standardisiert. Im anschließenden, feinen Ausrichtungsschritt wird dann die Ähnlichkeit der Merkmale zwischen allen entsprechenden Positionen innerhalb einer Batch dicht maximiert. Um das Lernen ausschließlich anhand normaler Bilder zu erleichtern, führen wir eine neue Vorab-Aufgabe namens nicht-kontrastives Lernen für den feinen Ausrichtungsschritt ein. Das nicht-kontrastive Lernen extrahiert robuste und differenzierende Darstellungen normaler Bilder, ohne Annahmen über abnormale Proben zu treffen, wodurch unser Modell in der Lage ist, sich auf verschiedene anormale Szenarien zu generalisieren. Umfangreiche Experimente an zwei typischen industriellen Datensätzen, MVTec AD und BenTech AD, zeigen, dass unser Framework effektiv bei der Erkennung verschiedener realweltlicher Defekte ist und eine neue State-of-the-Art-Leistung in der industriellen unsupervised Anomalieerkennung erreicht.