Unüberwachte Anomalieerkennung und -lokalisierung ist entscheidend für die praktische Anwendung, wenn die Sammlung und Beschriftung ausreichender Anomaliedaten nicht möglich ist. Die meisten bestehenden ansatzbasierten Methoden extrahieren Normalbildmerkmale mittels eines tiefen konvolutionellen neuronalen Netzwerks und charakterisieren die entsprechende Verteilung durch nichtparametrische Verteilungsschätzungsmethoden. Die Anomalie-Score wird berechnet, indem der Abstand zwischen dem Merkmal des Testbildes und der geschätzten Verteilung gemessen wird. Allerdings können gegenwärtige Methoden die Bildmerkmale nicht effektiv auf eine handhabbare Basisverteilung abbilden und ignorieren zudem die Beziehung zwischen lokalen und globalen Merkmalen, die für die Identifikation von Anomalien von großer Bedeutung sind. Um dies zu beheben, schlagen wir FastFlow vor, das mit 2D-Normalisierungsflüssen implementiert ist und als Wahrscheinlichkeitsverteilungsschätzer verwendet wird. Unser FastFlow kann als Plug-in-Modul mit beliebigen tiefen Merkmalsextraktoren wie ResNet oder Vision Transformer für die unüberwachte Anomalieerkennung und -lokalisierung eingesetzt werden. Im Trainingsphase lernt FastFlow, die Eingabebildmerkmale in eine handhabbare Verteilung zu transformieren und erzielt im Inferenzphase die Wahrscheinlichkeit zur Erkennung von Anomalien. Ausführliche experimentelle Ergebnisse auf dem MVTec AD-Datensatz zeigen, dass FastFlow gegenüber früheren State-of-the-Art-Methoden hinsichtlich Genauigkeit und Inferenzeffizienz mit verschiedenen Backbone-Netzwerken übertrifft. Unser Ansatz erreicht eine AUC von 99,4 % bei der Anomalieerkennung mit hoher Inferenzeffizienz.